Classification de la surface de Mars par imagerie

hyperspectrale OMEGA. Suivi spatio-temporel et étude

des dépôts saisonniers de CO2 et H2O.
Schmidt Frédéric

To cite this version:

Schmidt Frédéric. Classification de la surface de Mars par imagerie hyperspectrale OMEGA. Suivi
spatio-temporel et étude des dépôts saisonniers de CO2 et H2O.. Astrophysique [astro-ph]. Université
Joseph-Fourier - Grenoble I, 2007. Français. �NNT : �. �tel-00192298v2�

HAL Id: tel-00192298

[Link]
Submitted on 7 Apr 2008

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
 THÈSE
pour obtenir le grade de
DOCTEUR DE L’ UNIVERSITÉ J OSEPH F OURIER - G RENOBLE I
École Doctorale Terre-Univers-Environnement
spécialité : Planétologie
préparée au L ABORATOIRE DE P LANÉTOLOGIE DE G RENOBLE

par

Frédéric Schmidt

C LASSIFICATION DE LA SURFACE DE M ARS PAR

IMAGERIE HYPERSPECTRALE OMEGA.
S UIVI SPATIO - TEMPOREL ET ÉTUDE DES DÉPÔTS
SAISONNIERS DE CO2 ET H2 O.

présentée et soutenue publiquement

le 25 octobre 2007
devant le jury composé de :

M. Michel Fily Laboratoire de Glaciologie et Géophysique Président du jury

de l’Environnement - Grenoble
M. Christophe Collet Laboratoire des Sciences de l’Image, de Rapporteur
l’Informatique et de la Télédétection -
Strasbourg
M. François Forget Laboratoire de Météorologie Dynamique - Rapporteur
Paris
M. Olivier Forni Centre d’Etude Spatiale des Rayonnements - Examinateur
Toulouse
M. Nicolas Thomas Planetary Image Group - Berne Examinateur
M. Bernard Schmitt Laboratoire de Planétologie de Grenoble Directeur de thèse
M. Sylvain Douté Laboratoire de Planétologie de Grenoble Co-directeur de thèse
Cette thèse a été préparée au Laboratoire de Planétologie de Grenoble (UMR 5109)

A DRESSE POSTALE
Laboratoire de Planetologie de Grenoble
BP 53
38041 Grenoble Cedex 9 France

C OORDONNÉES GÉOGRAPHIQUES
3ème étage du batiment D de Physique
122 rue de la piscine
Domaine Universitaire Saint Martin d’Hères France

S ITE WEB
http ://[Link]/

I NFORMATION SUR LE PRÉSENT DOCUMENT

Ce tapuscrit a été produit sous Lyx et contient des liens internes.
Il est disponible en ligne à l’adresse suivante : http ://[Link]/tel-00192298/fr/
 R ÉSUMÉ : L’étude des surfaces planétaires a été profondément modifiée par la dernière génération
d’instruments spatiaux : les spectro-imageurs. Ces détecteurs produisent de nombreuses images hyper-
spectrales, pour lesquelles chaque pixel est associé à un spectre. Ils permettent un suivi spatial et temporel
des propriétés optiques des sols. Le premier objectif de cette thèse est de proposer des outils permettant
de traiter la grande quantité d’images et de spectres afin d’aborder des problématiques planétologiques.
Deux types d’analyse des images produites par l’instrument OMEGA (Mars Express/ESA) sont avan-
cés : (i) WAVANGLET, une méthode rapide de détection des corps chimiques au sol, (ii) JADE+BPSS,
une séparation de source en aveugle qui détecte des corps chimiques sans a priori.
Les régions polaires de Mars sont le siège d’un cycle climatique annuel d’échange de CO2 entre
atmosphère et surface. Pendant la nuit polaire, le CO2 atmosphérique se condense au sol, tandis qu’il se
sublime à nouveau, dès les premiers rayons du soleil. Ce cycle a été mis à jour depuis les années 60 mais
aujourd’hui encore, la microphysique d’interaction surface/atmosphère demeure inconnue. Le second
objectif de cette thèse est d’établir un modèle de sublimation des dépôts saisonniers. Le bilan de masse
est simulé par un bilan radiatif sur une surface rugueuse. La confrontation de ce modèle avec différents
jeux de données spatiales a permis de montrer que la sublimation de la calotte saisonnière sud de Mars
est contrôlée majoritairement par son albédo. Des études ultérieures seront nécessaires pour saisir les
mécanismes à l’origine des variabilités d’albédo (métamorphisme, contamination en poussière, . . . ).

M OTS CLEFS : Mars, pôle, glace de CO2 , glace d’H2 O, eau, télédétection, hyperspectral, spec-
troscopie, OMEGA, Mars Express, grande base de données, classification, détection, supervisée, non-
supervisée, séparation de source en aveugle, climat, cycle saisonnier, dépôts saisonniers, récession de la
calotte saisonnière sud, bilan de masse, ombre.

S UMMARY : Imaging spectrometer, the last generation of space instruments, strongly modify the
study of planetary surfaces. Those detectors record manifold hyperspectral images (an image for which
each pixel is associated with a spectrum). Such instrument allows us to follow the soil optical properties
through space and time. The first objective of my thesis is to propose some tools to analyse a huge amount
of images and spectra in planetological perspectives. Two types of methods are introduced to examine
the data acquired by the OMEGA instrument (Mars Express/ESA) : (i) WAVANGLET, a fast detection
algorithm to identify the presence of chemical species at the ground, (ii) JADE+BPSS, a blind source
separation method that is able to detect chemical species without a priori.
The Martian annual cycle of CO2 consist of an exchange between surface and atmosphere, which
is particularly relevant in Polar Regions. During the polar night, atmospherical CO2 condensate at the
ground, whereas it starts to sublimate again during the spring, when the solar light heat up the surface.
This major climatic cycle has been revealed in the 1960th but even today, the microphysic of interaction
between surface and atmosphere is still unknown. The second objective of this thesis is to build a model
of the seasonal deposit sublimation. The mass balance is simulated by a radiative balance on a rough
surface. The confrontation of this model with various dataset shows that the seasonal south polar cap
sublimation is mainly controlled by its albedo. Further studies must determine the exact mechanisms in
the origin of this albedo variability (metamorphism, dust contamination,. . . ).

K EY W ORD : Mars, pole, CO2 ice, H2 O ice, water, remote sensing, hyperspectral, spectroscopy,
OMEGA, Mars Express, mass data, classification, detection, supervised, unsupervised, blind source se-
paration, climate, seasonal cycle, seasonal south polar cap recession, mass balance, shadowing function.
 J e souhaite remercier ...
} Les membres du jury de cette thèse :
M ICHEL F ILY, C HRISTOPHE C OLLET, F RANÇOIS F ORGET, O LIVIER F ORNI et N ICOLAS T HO -
MAS pour avoir accepté sans hésitation cette invitation, pour avoir lu cette thèse et pour avoir éclairé
mon avenir.

} Mon duo de directeurs grenoblois :

S YLVAIN D OUTÉ et B ERNARD S CHMITT pour leur confiance dès le stage de Master 2, pour leur dis-
ponibilité et leur partage, aussi pour m’avoir permis de voyager afin d’assister à un nombre exceptionnel
de congrès.

} L’équipe de séparation de source :

C HRISTIAN J UTTEN pour ses discussions ressourçantes. H AFRÚN H AUKSDÓTTIR pour un an de
travail laborieux. S AÏD M OUSSAOUI pour avoir partagé ses compétences. J OCELYN C HANUSSOT pour
m’avoir invité à faire un séminaire !

} L’équipe OMEGA :
J EAN -P IERRE B IBRING , Y VES L ANGEVIN et bien d’autres pour de nombreuses discussions autour
de ce magnifique instrument.

} Les membres du LPG :

O DILE D UTUIT pour son écoute. W LODEK KOFMAN pour ses remarques tonitruantes et toujours
pertinentes. P IERRE VOLCKE pour son support informatique et bicyclique. M ATHIEU BARTHÉLÉMY
pour ses découvertes musicales et ses expériences de chanteur-percussionniste qui résonnent encore dans
toutes les oreilles du laboratoire. J EAN L ILENSTEN pour m’avoir fait confiance dans l’expertise de la tra-
duction de l’“Atlas Univers”. B ÉATRICE P IBARET pour sa bonne humeur expansible. A KILA M OKTARI
toujours prête à partager un gâteau au chocolat (miam, miam...). E RIC Q UIRICO, grand apôtre du Mac.
Un grand merci aussi à F RÉDÉRIC P ITOU , ROLAND T HISSEN , C HANTAL L ATHUILLERE , A LAIN H É -
RIQUE , O LIVIER B RISSAUD , P IERRE B ECK et A LAIN ROUX .

} Les relecteurs, graphiste et imprimeur de ma thèse :

S YLVAIN D OUTÉ qui, grâce à ses conseils avisés, m’a aidé à améliorer le contenu de cette thèse !
B ERNARD S CHMITT qui n’a pas hésité à finir son stylo rose pour proposer ses corrections. AURÉLIE,
qui m’a supporté, soutenu et surtout beaucoup aidé pendant toute la période éprouvante de rédaction.
LYDIE B ONAL, qui m’a donné son fond de thèse Lyx. J’avais juste à poser quelques graphes et un peu
de texte. M ES PARENTS , qui se sont occupés de la mise en forme et de l’impression.
 } Les personnes qui m’ont aiguillé dans le Vercors :
M ES PARENTS et MON FRÈRE qui m’ont charpenté. MES GRANDS - PARENTS, MA MARRAINE et
MA FAMILLE qui ont tourné mes yeux vers le ciel grâce aux nombreux livres d’images, d’émissions
télévisées et d’ouvrages de vulgarisation. M. J ULLIEN, mon professeur de Mathématique de la 6me à la
3me qui m’a enseigné les bases et m’a initié à la beauté formelle. Bien d’autres guides encore que je ne
peux citer...

} Les stagiaires/doctorants/post-doctorants de passage au LPG :

A NTOINE P OMMEROL, mon compagnon de congrès et le vilain petit canard des “Thésards Mé-
chants”, J ÉRÉMIE M OUGINOT mon compapagnon de congrès alias “Mr. IDL”. C YRIL S IMON pour ses
grosses chaussures, ses photos et ses crêpes glacées. LYDIE B ONAL grande prêtresse du CAF. D ONIA
BAKLOUTI pour m’avoir laissé les clefs de son bureau dans l’“Aile des Chefs”. ROGER O LIVA le conduc-
teur de BMW de l’East-Coast espagnol. N OURREDINE A BOUTABIT intraitable sur le signal. M ATTHIEU
L ONJARET mon prêtre convertisseur à LINUX. F REDERICK H EURIPEAU le batteur spécialiste en cochon
et en course de radar-youpala dans le couloir. C YRIL G RIMA alias “Mr. Moustache 2007”. D’autres en-
core qui génèrent cette chaude ambiance du Laboratoire : P HILIPO B UCCI, G UILLAUME G RONOFF ,
S YHEM P ERRIOT, F RANCOIS -R EGIS O RTHOUS -DAUNAY, C HRISTELLE E YRAUD , N ICOLAS F RAY,...

} Les étudiants que j’ai rencontrés à Grenoble et ailleurs :

L’association L AI TUE pour m’avoir obligé de porter la moustache. H ÉLÈNE C ASTEBRUNET, pour
ses soirées “Palette à la Diable”. N ICOLAS J OURDAIN pour ses discussions tango/rhum sur la glace
antarctique. J ONATHAN AUMONT, pour ses chemises d’une blancheur lisse dès portons-minets. S ÉBAS -
TIEN H OK pour tous les coups trinqués au 70s cours Berriat. L AURENT S TEHLY pour sa bonhomie
communicative. L OUIS D E BARROS pour ses rhums dérangés. J EAN M EYER qui a fait exploser la cafe-
tière le matin de ma soutenance de Master 2 ce qui m’a permis de changer de chemise et de décrocher
la bourse ministérielle ! J ULES G RUCKER qui a animé le service “Allô thèse en galère”. Bien d’autres
encore qui se reconnaîtront : la K IEN ’ S BAND, la P ROMO LYONNAISE et les G RENOBLOIS C HANTANT,
les G RENOBLOIS F OOTANT,....

} Vous, étudiants francophones, lecteurs de remerciements :

Parce que cette thèse est écrite pour VOUS, je vous remercie de la lire (même une toute petite par-
tie !), de la commenter, de la critiquer, de la dépasser... J’espère aussi que vous pourriez expérimenter le
bonheur d’enseigner. Aussi celui de suggérer devant une assemblée d’élèves : “Quel beau métier profes-
seur !”. Sachez enfin qu’il existe un scoop concernant la vie martienne dans cette thèse. Cette information
est publiée, il paraîtrait même que les martiens ont montrés leurs bizarres phalanges aux russes. Mainte-
nant que vous savez tout, bonne lecture !
Table des matières

Adresse du LPG 1

Résumé / Summary 3

Remerciements 4

Introduction 13

I Traitement du signal en télédétection 15

1 Introduction sur l’imagerie hyperspectrale de télédétection spatiale et l’analyse des données 17

1.1 Télédétection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2 Images hyperspectrales et acquisition . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.1 Images hyperspectrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.2 Spectro-imageurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
[Link] OMEGA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
[Link] Base de données OMEGA du LPG . . . . . . . . . . . . . . . . . . . 21
1.3 Transfert radiatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.1 Spectres en réflectance d’une planète . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.2 Extinction particulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
[Link] Absorption . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
[Link] Diffusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.3.3 Équation du transfert radiatif (ETR) . . . . . . . . . . . . . . . . . . . . . . . . 26
1.3.4 Modélisations de la réflectance des surfaces planétaires . . . . . . . . . . . . . 28
[Link] Modèles empiriques . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
[Link] Modèles analytiques physiques . . . . . . . . . . . . . . . . . . . . . 29
[Link] Modèles numériques . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.3.5 Modélisation du couplage surface-atmosphère . . . . . . . . . . . . . . . . . . 30
1.4 Schéma général d’analyse des images hyperspectrales . . . . . . . . . . . . . . . . . . 31
1.4.1 Analyse de premier ordre : réduction de dimensionnalité, classification, sépara-
tion de sources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
[Link] Informations planétologiques : assemblage, mélange et représentation
de terrain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
[Link] Qu’est ce qu’une classe ? . . . . . . . . . . . . . . . . . . . . . . . . 33
[Link] Qu’est-ce qu’une source ? . . . . . . . . . . . . . . . . . . . . . . . . 33
1.4.2 Analyse physique complète : inversion des modèles de transfert radiatif . . . . . 34

7
2 Réduction des dimensions spectrales 37
2.1 Réduction manuelle : choix des “lignes spectrales” et rapport de bande . . . . . . . . . . 39
2.2 Base de référence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2.1 Origine des spectres de références . . . . . . . . . . . . . . . . . . . . . . . . . 41
[Link] Spectres issus de mesures de références . . . . . . . . . . . . . . . . . 41
[Link] Spectres synthétiques . . . . . . . . . . . . . . . . . . . . . . . . . . 42
[Link] Observations de référence déjà classifiées . . . . . . . . . . . . . . . 42
[Link] Spectre de référence issus de l’observation à classer . . . . . . . . . . 42
2.2.2 Formalisme des distributions spectrales de référence . . . . . . . . . . . . . . . 43
2.3 Réduction automatique supervisée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.1 Sélection de canaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.2 Méthode de Fisher : AFD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.3 Méthodes utilisant la transformée en ondelette . . . . . . . . . . . . . . . . . . 45
2.3.4 Méthodes à noyau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.3.5 Assemblage de méthodes successives . . . . . . . . . . . . . . . . . . . . . . . 46
2.4 Réduction automatique non-supervisée . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4.1 Élimination du continuum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4.2 ACP : Analyse en composante principale . . . . . . . . . . . . . . . . . . . . . 47
2.4.3 MNF : Minimum Noise Fraction . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.4.4 ACI : Analyse en composante indépendante . . . . . . . . . . . . . . . . . . . . 52
2.4.5 PP : “Projection pursuit” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.4.6 Transformée en ondelette . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.4.7 Méthodes non-linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.5 Bilan et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

3 Classification d’images hyperspectrales de télédétection 59

3.1 Classifications manuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.1.1 Classification manuelle spectrale : “scatterplot” . . . . . . . . . . . . . . . . . . 61
3.1.2 Classification manuelle spatiale : image . . . . . . . . . . . . . . . . . . . . . . 63
3.1.3 Classification manuelle spectro-spatiale : “scatterplot” et image . . . . . . . . . 64
3.2 Classifications spectrales automatiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.2.1 Base de référence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.2.2 Classification supervisée qui nécessite une base spectrale de référence . . . . . . 65
[Link] Classification à seuil dans l’espace réduit . . . . . . . . . . . . . . . 65
[Link] Distance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
[Link] Angle ou corrélation . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
[Link] SFFTM : Spectral Feature Fitting . . . . . . . . . . . . . . . . . . . . 67
[Link] Utilisation conjointe de plusieurs classifieurs . . . . . . . . . . . . . . 67
3.2.3 Classification supervisée qui nécessite une base de distribution spectrale de réfé-
rence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
[Link] Méthode statistique paramétrique . . . . . . . . . . . . . . . . . . . . 67
[Link] Méthode statistique non-paramétrique . . . . . . . . . . . . . . . . . 68
[Link] Support Vector Machine : SVM . . . . . . . . . . . . . . . . . . . . 68
[Link] Réseau de neurones . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.2.4 Classification spectrale non-supervisée . . . . . . . . . . . . . . . . . . . . . . 69
[Link] Classification hiérarchique - Arborescence . . . . . . . . . . . . . . . 69
[Link] Mélange de processus gaussiens : K-mean et améliorations . . . . . . 69
[Link] Mélange de processus laplacien : K-median . . . . . . . . . . . . . . 70
3.3 Classification spatiale automatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4 Classification spectro-spatiale automatique . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4.1 Méthodes supervisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4.2 Méthodes non-supervisées : la segmentation . . . . . . . . . . . . . . . . . . . . 71
 3.5 Bilan et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

4 “Wavanglet” : une méthode de détection automatique supervisée 77

4.1 Présentation de la méthode “Wavanglet” . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.1.1 Bases spectrales de référence . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
[Link] Détection de glace d’eau et de CO2 au sol de Mars . . . . . . . . . . . 78
[Link] Détection de gypse et de glace d’eau au sol dans la zone polaire nord
de Mars . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.1.2 Réduction de dimensionnalité spectrale . . . . . . . . . . . . . . . . . . . . . . 79
4.1.3 Optimisation des seuils de détections . . . . . . . . . . . . . . . . . . . . . . . 82
4.1.4 Classification de la base de données . . . . . . . . . . . . . . . . . . . . . . . . 82
4.2 Tests synthétiques : validation de Wavanglet, comparaison avec des méthodes usuelles
de classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.2.1 Caractéristiques physiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
[Link] Caractéristiques au sol . . . . . . . . . . . . . . . . . . . . . . . . . . 83
[Link] Caractéristiques de l’atmosphère . . . . . . . . . . . . . . . . . . . . 84
[Link] Simulation du bruit instrumental . . . . . . . . . . . . . . . . . . . . 84
4.2.2 Test des méthodes de classification . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.2.3 Résultats des tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.3 Détection de gypse dans les plaines polaire du Nord . . . . . . . . . . . . . . . . . . . . 87
4.4 Bilan et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

5 Séparation de source appliquée aux images hyperspectrales de télédétection 91

5.1 Mélange linéaire : quelles hypothèses ? . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.2 Séparation de source supervisée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.2.1 Profondeur de bande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.2.2 Mélange linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.2.3 Mélange non-linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.3 Séparation de source en aveugle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.3.1 Extraction d’endmember et mélange linéaire . . . . . . . . . . . . . . . . . . . 97
5.3.2 Mélange linéaire et décorrélation . . . . . . . . . . . . . . . . . . . . . . . . . 98
[Link] Décorrélation et mélange linéaire . . . . . . . . . . . . . . . . . . . . 98
[Link] Décorrélation spatiale ou spectrale . . . . . . . . . . . . . . . . . . . 99
[Link] Indétermination d’ordre et de signe . . . . . . . . . . . . . . . . . . . 100
[Link] Résultat sur des données réelles . . . . . . . . . . . . . . . . . . . . . 100
5.3.3 Mélange linéaire et indépendance . . . . . . . . . . . . . . . . . . . . . . . . . 102
[Link] Non-gaussianité, indépendance et information mutuelle . . . . . . . . 103
[Link] Indépendance spatiale, spectrale, spectro-spatiale . . . . . . . . . . . 104
[Link] Indétermination d’ordre et d’échelle . . . . . . . . . . . . . . . . . . 104
[Link] Différentes méthodes d’ACI . . . . . . . . . . . . . . . . . . . . . . . 105
[Link] Résultats sur des données réelles . . . . . . . . . . . . . . . . . . . . 106
5.3.4 Mélanges non-linéaires et indépendance . . . . . . . . . . . . . . . . . . . . . . 107
5.3.5 Mélange linéaire, positivité et indépendance spectrale . . . . . . . . . . . . . . 109
[Link] Inférence bayésienne, positivité et indépendance . . . . . . . . . . . . 109
[Link] Algorithme de résolution . . . . . . . . . . . . . . . . . . . . . . . . 110
5.4 Bilan et Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110

6 Séparation de source en aveugle, en mélange positif, appliquée aux images hyperspectrales 115
6.1 Méthode : JADE + BPSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
6.1.1 Sélection des spectres représentatifs . . . . . . . . . . . . . . . . . . . . . . . . 116
6.1.2 Méthode JADE+BPSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
6.2 Résultats sur des données réelles, comparaison avec d’autres classifications . . . . . . . 117
 6.2.1 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
6.2.2 Dépendance du nombre de pixels dans la classe . . . . . . . . . . . . . . . . . . 118
6.3 Conclusion et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122

II Les calottes saisonnières martiennes 123

7 Le cycle saisonnier martien 125

7.1 Perspectives historiques du cycle saisonnier martien . . . . . . . . . . . . . . . . . . . 126
7.2 Paradigme actuel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
7.2.1 Bilan d’énergie radiative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
[Link] Phase d’accumulation . . . . . . . . . . . . . . . . . . . . . . . . . . 130
[Link] Phase d’ablation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
7.2.2 Observables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
[Link] Progression et récession des dépôts saisonniers . . . . . . . . . . . . 133
[Link] Pression au sol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
[Link] Points froids : zones à faible température de brillance . . . . . . . . . 136
[Link] Masse totale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
7.3 Incomplétudes : avancées et interrogations . . . . . . . . . . . . . . . . . . . . . . . . 138
7.3.1 Asymétrie de la calotte saisonnière sud . . . . . . . . . . . . . . . . . . . . . . 138
[Link] Asymétrie de la récession . . . . . . . . . . . . . . . . . . . . . . . . 139
[Link] La région cryptique . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
7.3.2 Dichotomie de la persistance estivale de glace de CO2 . . . . . . . . . . . . . . 141
[Link] Pourquoi une calotte permanente de CO2 au Sud ? . . . . . . . . . . . 142
[Link] Gruyère suisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
[Link] Implications pour le climat passé . . . . . . . . . . . . . . . . . . . . 143
7.3.3 Dichotomie d’abondance en eau de la calotte saisonnière . . . . . . . . . . . . . 145
[Link] Pourquoi une couronne saisonnière de glace d’eau au Nord ? . . . . . 145
[Link] Liens entre cycle saisonnier de CO2 et d’eau . . . . . . . . . . . . . . 146
[Link] Implications géologiques . . . . . . . . . . . . . . . . . . . . . . . . 146
7.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147

8 Calotte saisonnière à haute résolution spatiale 149

8.1 Asymétrie de la récession de la calotte saisonnière sud à l’échelle régionale . . . . . . . 150
8.1.1 Observations OMEGA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
8.1.2 Asymétrie d’accumulation et/ou de sublimation à l’échelle régionale ? . . . . . 156
8.1.3 Modèle de sublimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
[Link] Paramètres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
[Link] Conduction d’énergie dans le sous-sol . . . . . . . . . . . . . . . . . 158
8.1.4 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
8.1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
8.2 Récession de la calotte saisonnière sud à l’échelle locale . . . . . . . . . . . . . . . . . 163
8.2.1 Observations OMEGA de la bordure de la calotte saisonnière . . . . . . . . . . 163
8.2.2 Variabilité d’accumulation et/ou de sublimation à l’échelle locale ? . . . . . . . 164
8.2.3 Modèle de sublimation à l’échelle locale . . . . . . . . . . . . . . . . . . . . . 165
[Link] Hypsométrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
[Link] Fonction d’ombre . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
[Link] Modélisation du bilan d’énergie radiative . . . . . . . . . . . . . . . 167
8.2.4 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
[Link] Indicateur statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
[Link] Effet d’ombre à albédo homogène . . . . . . . . . . . . . . . . . . . . 169
[Link] Effet d’albédo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
 8.2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
8.3 Conclusion et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183

Conclusion et perspectives 185

III Annexes 189

9 Glossaire 191

10 Principales notations mathématiques 195

11 Sigles et acronymes 197

12 Rappels de Mathématiques 199

12.1 Distance et norme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
12.1.1 Axiomatique de la distance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
[Link] Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
[Link] Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
12.1.2 Distance dans un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . 200
[Link] Espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
[Link] Produit scalaire et norme . . . . . . . . . . . . . . . . . . . . . . . . 200
[Link] Un angle est une distance sur une hypersphère . . . . . . . . . . . . . 201
12.2 Espace vectoriel de dimension infinie . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
12.2.1 Ensemble de fonctions intégrables . . . . . . . . . . . . . . . . . . . . . . . . . 202
12.2.2 Espace des fonctions intégrables . . . . . . . . . . . . . . . . . . . . . . . . . . 202
[Link] Espace de Banach . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
[Link] Espace de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
12.2.3 Propriétés des espaces hilbertiens . . . . . . . . . . . . . . . . . . . . . . . . . 203
[Link] Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
[Link] Opérateur linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
[Link] Isométrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
12.3 Transformée en ondelette . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
12.4 Probabilité et statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
12.4.1 Probabilité d’une variable aléatoire . . . . . . . . . . . . . . . . . . . . . . . . 205
[Link] Axiomatiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
[Link] Espérance et moment . . . . . . . . . . . . . . . . . . . . . . . . . . 206
[Link] Fonctions caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . 207
12.4.2 Opérations sur deux variables aléatoires . . . . . . . . . . . . . . . . . . . . . . 207
[Link] Distribution jointe et indépendance . . . . . . . . . . . . . . . . . . . 207
[Link] Somme de deux variables aléatoires . . . . . . . . . . . . . . . . . . . 208
[Link] Produit de deux variables aléatoires . . . . . . . . . . . . . . . . . . . 208
[Link] Cumul de deux états de probabilités . . . . . . . . . . . . . . . . . . . 208
[Link] Conjonction de deux états de probabilités . . . . . . . . . . . . . . . . 208
[Link] Distribution conditionnelle et théorème de Bayes . . . . . . . . . . . 209
[Link] Moments de deux variables aléatoires . . . . . . . . . . . . . . . . . 209
[Link] Fonctions caractéristiques de deux variables aléatoires . . . . . . . . . 210
12.4.3 Moment et cumulant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
[Link] Fonctions caractéristiques de plusieurs variables aléatoires . . . . . . 210
[Link] Somme de variables aléatoires indépendantes . . . . . . . . . . . . . . 211
12.4.4 Statistique et estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
12.4.5 Distance entre variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . 212
 12.4.6 Entropie, néguentropie et information mutuelle . . . . . . . . . . . . . . . . . . 213
12.5 Malédiction de la dimensionnalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
12.5.1 Complexité de la mesure en grande dimension . . . . . . . . . . . . . . . . . . 214
12.5.2 Classification en grande dimension . . . . . . . . . . . . . . . . . . . . . . . . 214
12.5.3 Phénomène de Hughes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
12.6 Les fractales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216

13 Article présentant la méthode Wavanglet dans IEEE Transaction in Geoscience and Remote
Sensing 219

14 Article présentant la méthode BPSS appliquée aux données OMEGA dans Neurocomputing
221

15 Article présentant le modèle de la récession de la calotte saisonnière Sud de Mars 223

Bibliographie 225

Table des figures 245

Liste des tableaux 250

Liste des publications et communications 252

Introduction

Le premier objectif de cette thèse est de produire de nouveaux outils d’analyse appropriés aux der-
nières générations d’images hyperspectrales. Les images, produites par les instruments actuels, forment
des bases de données très volumineuses. Par exemple, le spectro-imageur OMEGA à bord de Mars
Express (ESA) a produit plus de 1000 observations de Mars, contenant en moyenne 100000 spectres
chacune. Le nombre total de spectres s’approche désormais du milliard.
Dès lors, l’analyse pose un véritable défi à la fois mathématique et informatique. Comment traiter les
données ? Comment les représenter ? Comment automatiser l’extraction pertinente d’information d’une
telle base de donnée ?
Aussi, un autre défi consiste à tirer partie de cette grande collection de données, notamment d’un point
de vue statistique. Quelles informations supplémentaires sont introduites du fait de la grande taille de ces
bases de données ? Comment les utiliser ?
Cette thèse propose de répondre à ces questionnements à l’aide des Sciences de la Terre d’une part,
et les Sciences et Technologies de l’Information et de la Communication (STIC). Les domaines d’appli-
cation qui nous concernent sont la Planétologie et les Sciences de la Terre.
Les problématiques d’intérêt planétologique sont de plus en plus complexes et requièrent des détecteurs
permettant des mesures et des outils toujours plus pointus. Les méthodologies récentes d’analyse du si-
gnal spectroscopique de télédétection, par une approche du type transfert radiatif, permettent d’extraire
des informations quantitatives sur les matériaux en surfaces (taille de grains, abondance, ...). L’extraction
de ces informations, pour un seul spectre, demande la mise en oeuvre d’outils complexes.
Le domaine des STIC s’intéresse aux objets mathématiques, leurs manipulations et leurs applications.
L’explosion des recherches en STIC a permis de développer des algorithmes puissants, valides notam-
ment pour des grandes bases de données. Aussi, ce domaine de recherche emploie fréquemment le for-
malisme statistique permettant des inférences sur de grandes collections de spectres.
A l’heure actuelle, les STICS peuvent enrichir l’analyse des images hyperspectrales de télédétection.

Le second objectif de cette thèse est l’étude des dépôts saisonniers des glaces de CO2 et d’H2 O
sur Mars, à partir des données du spectro-imageur OMEGA. Les dépôts saisonniers martiens sont is-
sus de différents processus d’échange avec l’atmosphère. En particulier, le phénomène de condensa-
tion/sublimation du CO2 atmosphérique est majoritaire dans les régions polaires. Dans cette thèse, nous
nous concentrons sur l’étude de la récession de la calotte saisonnière sud.
L’objectif est donc double :
(i) Extraction d’informations spectroscopiques d’intérêt planétologique (détection de corps chimiques,
type de mélange, abondance, taille de grains, ...). Il s’agit donc d’appliquer les outils, issus du premier
objectif de la thèse, à une problématique planétologique particulière. Cette application permet à la fois
de valider les outils et aussi de proposer des nouvelles analyses planétologiques.
(ii) Interprétation de ces informations en terme de processus planétologiques. La finalité de cette analyse
est l’étude de la sublimation des dépôts saisonniers sud, à l’échelle régionale et à l’échelle locale. Cette

13
discussion a des implications sur le cycle des volatiles (CO2 et eau) mais aussi sur le cycle des poussières
pour le climat actuel et passé de Mars.
Ce manuscrit s’articule naturellement autour de deux parties.
La première partie, intitulée : traitement du signal en télédétection, porte sur l’analyse des images hyper-
spectrales de télédétection dans le but d’extraire des informations d’intérêts planétologiques.
Le premier chapitre introduit diverses notions de télédétection : détecteur, chaîne de télédétection et si-
gnal physique, information planétologique associée et analyse pratique.
Les deux chapitres suivants sont focalisés sur des méthodes d’analyses particulières : la réduction de
dimensionnalité (chapitre 2) et la classification (chapitre 3). La classification consiste au regroupement
de spectres ayant des caractéristiques communes (présence de corps, taille de grain, abondances, ...). La
réduction de dimensionnalité est une étape préliminaire qui permet la classification. Ces chapitres ex-
posent le fondement mathématique de ces méthodes, les hypothèses auxquelles elles sont assujetties et
leur domaine de validité dans le cadre de la télédétection hyperspectrale. Des tableaux récapitulatifs sont
disponibles en fin de chaque chapitre.
Le chapitre quatre présente “Wavanglet”, la méthode de détection supervisée, développée au cours de
cette thèse. “Wavanglet” a été conçue pour détecter de façon automatique des composants d’intérêt pla-
nétologique dans de grands volumes de données de télédétection. De plus, ce chapitre présente également
les résultats d’un test comparatif entre certaines méthodes de classification, sur des spectres synthétiques
réalistes.
Le chapitre cinquième est une synthèse bibliographique de la séparation de source, à la fois supervisée
et non-supervisée, dans le domaine de la télédétection. Contrairement à la classification, qui se borne à
un aspect qualitatif, la séparation de source consiste à établir une analyse quantitative des signaux.
Pour clore la première partie, le chapitre six présente la méthode “JADE+BPSS” de séparation de source
en aveugle (non-supervisée), établie au cours d’une collaboration née lors de cette thèse. Cette méthode
est basée sur la notion statistique d’indépendance. Elle utilise un formalisme statistique qui permet de
respecter les contraintes physiques du problème de télédétection, notamment la positivité du signal. Ce
chapitre montre aussi les avancées et les limitations inhérentes à cette nouvelle méthode.
La seconde partie de cette thèse est nommée : les calottes saisonnières martiennes. Nous y menons
le suivi de la calotte sud durant sa récession entre le début de l’année 2005 et le milieu de l’année 2006.
D’autre part, nous y développons un modèle physique complet du bilan de masse de la glace de CO2 aux
échelles régionale et locale. Ce modèle nous permet d’identifier les facteurs majeurs qui conditionnent
la récession.
Le chapitre sept présente un historique des observations du cycle saisonnier martien depuis le XVIIème
siècle. Le paradigme actuel de condensation/sublimation du CO2 est exposé, ainsi que ses incomplétudes
et limitations. Ce cycle saisonnier est mis en relation avec d’autres processus martiens aux temps actuel
(cycle de l’eau, cycle des poussières, ...) et passé (formation de glaciers, écoulement d’eau liquide, ...).
Le huitième chapitre se concentre sur la récession de la calotte saisonnière sud de Mars. Il relate des
travaux effectués au cours de cette thèse à partir des détections de glaces de CO2 et de H2 O par la
méthode Wavanglet. Aussi, il expose le modèle de sublimation de la glace de CO2 développé lors de cette
thèse. Ce modèle tient compte de différents facteurs : émission thermique, absorption dans le visible et
l’infrarouge, conduction de chaleur dans le sous-sol. A l’échelle locale, une attention particulière a été
portée aux effets de pentes et d’ombres portées dus à la rugosité de surface. Cette étude détermine les
importances relatives des différents facteurs du modèle aux échelles globale et locale, utilisant différents
argumentaires dont la confrontation entre modèle et observations.
Les trois articles correspondant à cette thèse sont disponibles en annexe.

Pour une plus grande facilité de lecture, les termes notés en italique sont une entrée du glossaire (voir annexe 9 page 191),
tandis que les termes entre “guillemets” sont des termes particuliers, présents et expliqués dans le texte de façon locale.

14
 Première partie

Traitement du signal en télédétection

15
Chapitre 1
Introduction sur l’imagerie hyperspectrale de
télédétection spatiale et l’analyse des données

Photographie du Pentagone par le satellite espion “Corona” (Crédit : USGS).

17
CHAPITRE 1. INTRODUCTION SUR L’IMAGERIE HYPERSPECTRALE DE TÉLÉDÉTECTION
SPATIALE ET L’ANALYSE DES DONNÉES

Dans un premier temps, la télédétection, les images hyperspectrales ainsi que les détecteurs associés
sont introduits (voir sections 1.1 et 1.2). Ensuite, la physique du transfert radiatif est développée dans le
cadre de l’imagerie des surfaces planétaires (voir section 1.3). La dernière section a pour objet le schéma
d’analyse de ces images (voir section 1.4).

1.1 Télédétection
La “télédétection” ici désigne uniquement la télédétection spatiale (en orbite) ou embarquée (sur des
moyens aéroportés) bien que des problèmes similaires puissent se trouver dans la télédétection au sol,
voire dans l’imagerie médicale ou la microscopie de laboratoire.
Nous nous intéressons uniquement à la télédétection passive qui consiste à enregistrer de la lumière so-
laire arrivant sur le détecteur après s’être propagée dans les milieux planétaires. Ce type de télédétection
concerne principalement le domaine visible et proche infrarouge. Plus particulièrement, nous allons nous
focaliser sur la télédétection des surfaces : les phénomènes atmosphériques sont développés ici de façon
secondaire, dans l’unique but de s’en affranchir et non de les étudier.
La télédétection spatiale en orbite est un domaine relativement récent qui trouve son origine à la fin
des années 50, lorsque la Guerre Froide prit la forme d’une course à l’espace. “Corona”, la première
mission américaine dédiée à l’espionnage, a été couronnée de succès en 1960. Au cours d’une multitude
de missions de quelques jours, ce satellite a pris plus de 800 000 photographies argentiques depuis
l’espace, avec une résolution de 8 à 2 m au sol (voir la photographie du Pentagone page précédente).
A la fin de chaque mission, un petit module contenant les pellicules se détachait pour redescendre sur
Terre. Celui-ci était ensuite récupéré dans l’atmosphère par un avion pour être analysé au sol. Depuis,
les développements scientifiques et techniques ont permis de construire des détecteurs plus performants,
notamment numériques, ayant une résolution spatiale et spectrale de plus en plus fine.
L’ère actuelle de la télédétection autorise une analyse fine des processus physiques à l’origine du
signal enregistré par les capteurs. Dès lors, il ne s’agit plus seulement d’observer les structures mor-
phologiques des objets au sol, mais de sonder les milieux planétaires à distance. Ainsi, la surface et
l’atmosphère peuvent être analysées à partir de la propagation de la lumière dans ces milieux. Le cadre
général des phénomènes de propagations des ondes lumineuses dans des milieux complexes a été in-
troduit notamment par Chandrasekhar (43). Ce physicien d’origine indienne a développé la “théorie du
transfert radiatif” qui consiste en deux points : l’établissement d’une équation de conservation de l’éner-
gie radiative et la résolution de cette équation. Cette équation est basée sur un formalisme classique mais
une description des processus aux échelles quantiques peut y être incorporée. L’étude des spectres en
réflectance à l’aide de la théorie du transfert radiatif permet de déterminer les propriétés physiques de la
surface et de l’atmosphère.
Les images hyperspectrales comportent un compromis de résolutions spatiales et spectrales. Elles
permettent à la fois de s’intéresser aux propriétés physiques des milieux sondés (aspect spectral) et aussi
à des problématiques de Planétologie impliquant de fortes variabilités locales (aspect spatial), comme
par exemple le cycle saisonnier martien, l’origine du volcanisme martien mais aussi la structure atmo-
sphérique de Vénus, les lacs de Titan, ...

1.2 Images hyperspectrales et acquisition

1.2.1 Images hyperspectrales
Nous allons nous focaliser sur des données de télédétection hyperspectrale, c’est à dire sur des don-
nées agencées en cubes : un tenseur d’ordre 3 dont 2 directions spatiales : la direction de défilement du
point de visée au dessus de la planète notée x, et la direction orthogonale notée y, alignée avec la fauchée.
Un élément du plan spatial est appelé pixel de coordonnées (x, y). Un ensemble de pixels forme un canal
ou canal spectral. La troisième est la direction spectrale, notée λ , qui correspond à la décomposition de
la lumière à des longueurs d’onde précises. Un élément de la direction spectrale est appelé spectel. Un

18
 1.2. IMAGES HYPERSPECTRALES ET ACQUISITION

(a) Spectre (b) Canal spectral

F IG . 1.1 – Schéma d’un cube hyperspectral.

ensemble de spectels forme un spectre (voir figure 1.1). Les données sont donc agencées en cube noté
Cx,y,λ .
Chaque direction du tenseur a une dimension, c’est à dire un nombre de pixel/spectel associé. Le
nombre de pixel dans la direction x, respectivement y, est noté Nx , respectivement Ny . Le nombre de
spectel total dans la direction λ est noté Nλ .
L’imagerie “multi-spectrale” se contente d’une dizaine de canaux (Nλ ' 10) tandis que l’imagerie “hy-
perspectrale” dépasse la centaine de canaux (Nλ >100).
Les nouvelles générations d’instruments incorporent un aspect d’échantillonnage “multi-angulaire”, qui
consiste à observer un même site à une dizaine de géométries différentes. Notamment, l’instrument
CRISM de la mission Mars Reconnaissance Orbiter (NASA) cumule l’aspect hyperspectral et multi-
angulaire. Dans ce cas, les données forment un tenseur d’ordre 4.

1.2.2 Spectro-imageurs
Un capteur produisant des images hyperspectrales est qualifié de spectro-imageur. Il comporte un
système optique, un dispositif de sélection des longueurs d’onde qui peut être un prisme par exemple, un
dispositif d’enregistrement numérique du flux lumineux en général de type CCD.
Les spectro-imageurs embarqués fonctionnent de deux façons différentes : “push-broom” ou “whisk-
broom” qui sont deux types de balais ! Le principe est quasi similaire et consiste en l’acquisition des
données le long de la trace au sol du satellite ou de l’avion.
Le mode le plus récent est le push-broom qui consiste à enregistrer une ligne au sol dans la direction
perpendiculaire à la fauchée (voir figure 1.2). Par analogie avec un balai à pousser, l’image se construit
par juxtaposition des lignes acquises successivement.
Le mode whisk-broom est un mode de fonctionnement ancien. Il est à l’oeuvre lorsque les matrices de
CCD sont peu sensibles et l’acquisition de plusieurs spectres à la fois est impossible. Il s’agit alors de
balayer avec un système optique la direction perpendiculaire à la trace au sol par un mouvement oscillant
similaire à celui d’un utilisateur de balai pendulaire.
Les détecteurs convertissent le flux lumineux en signal numérique qui est stocké puis envoyé sur
Terre. L’étalonnage des données hyperspectrales se fait en corrigeant le signal des différentes réponses
instrumentales.
La réponse en intensité de l’instrument est fortement dépendante de la fréquence, il faut donc étalon-
ner radiométriquement les données. Le niveau de bruit du détecteur est différent pour chaque spectel. De
plus, la détérioration du détecteur dans l’espace, essentiellement par des rayons cosmiques, peut produire
une altération ou une destruction de certains spectels. Ces spectels inutilisables sont dit spectels chauds
(plus bruités) ou spectels morts, respectivement.
La connaissance de la fonction de transfert spectrale de l’instrument est essentielle pour la modélisa-

19
CHAPITRE 1. INTRODUCTION SUR L’IMAGERIE HYPERSPECTRALE DE TÉLÉDÉTECTION
SPATIALE ET L’ANALYSE DES DONNÉES

F IG . 1.2 – Principe du push-broom

tion, en particulier en cas de sous-échantillonage spectral comme pour les glaces d’eau et de CO2 avec
OMEGA. La fonction de transfert spectral permet de reproduire les signaux observés grâce à une convo-
lution, malgré une modélisation qui se fait à une résolution spectrale très supérieure avant convolution.
La réponse de l’instrument dans le domaine spatial est importante pour déterminer l’étendue exacte au
sol de la zone associée à chaque pixel. Cette correction est spécifique au mode d’acquisition bush-broom
ou whisk-broom.
Connaître ces fonctions de réponse instrumentale est d’autant plus important qu’elles peuvent changer
au cours du temps.
Voici quelques exemples de spectro-imageurs actuels dans le domaine visible et proche infra-rouge :
– OMEGA à bord de Mars Express (ESA). Ce détecteur est présenté dans la section [Link].
– VIRTIS à bord de Vénus Express (ESA).
– CRISM à bord de Mars Reconnaissance Orbiter (NASA) qui comporte aussi l’aspect multi-
angulaire.
– AVIRIS à bord d’un avion (NASA).
– Hyperion à bord de Earth Observing 1 (NASA).
– ARES/APEX prévus respectivement pour 2007 et 2008, et qui seront embarqués sur des avions
(ESA).
Il existe aussi des spectro-imageurs au sol fixés à des télescopes, comme par exemple TIGER, ...

[Link] OMEGA

Le seul spectro-imageur concerné par cette thèse est OMEGA à bord de la plateforme Mars Ex-
press (ESA). C’est un instrument développé par l’IAS (Institut d’Astrophysique Spatiale, Orsay) en
collaboration avec le LESIA (Laboratoire d’Etudes Spatiales et d’Instrumentation en Astrophysique,
Paris/Meudon), IFSI (Istituto di Fisica dello Spazio Interplanetario, Rome) et IKI (Institute for Space
Research, Moscou) (26). Il contient trois voies distinctes : V dans le visible en mode push-broom ; C
dans les “courtes” longueurs d’onde de l’infra-rouge proche en mode whisk-broom ; L dans les “lar-
ges” ou grandes longueurs d’onde de l’infra-rouge proche en mode whisk-broom. Les caractéristiques
spectrales des trois détecteurs sont détaillées dans le tableau 1.1. Dans la suite de cette thèse, nous al-
lons uniquement utiliser la partie infra-rouge proche (voies C et L) d’une part, parce que l’étalonnage
radio dans le visible a mis du temps à être convaincante, d’autre part, parce que les glaces martiennes
comportent des signatures spectrales univoques essentiellement dans le proche infra-rouge. La résolution
spatiale d’OMEGA, entre 350 m et 4 km, dépend fortement de l’altitude de la plateforme Mars Express
qui gravite sur une orbite très elliptique.

20
 1.3. TRANSFERT RADIATIF

TAB . 1.1 – Caractéristiques spectrales de l’instrument OMEGA à bord de Mars Express.

Voie V Voie C Voie L

Domaine spectral (µm) 0,38 à 1,05 0,93 à 2,73 2,55 à 5,1
Nombre de spectels 96 ou 144 128 128
Résolution spectrale (µm) 0,007 ou 0,0045 0,013 0,020

[Link] Base de données OMEGA du LPG

Il existe plusieurs produits pour chacune des observations infra-rouge proche OMEGA dans la base
de données du Laboratoire de Planétologie de Grenoble. Pour chaque observation, un étalonnage est
proposé, puis un assemblage des voies C et L. Tous ces produits sont indexés par des noms du type
ORBXXXX_Y_V##.AAA avec : XXXX le numéro de l’orbite, Y l’index de la session sur l’orbite, ## le
numéro de version de l’étalonnage, AAA le produit en question spatialement conforme à l’observation.
Les versions de l’étalonnage incorporent la correction de différents effets :
– V01 : réponse instrumentale initiale
– V02 : réponse instrumentale améliorée
– V03 : réponse instrumentale améliorée et correction du décalage spatiale entre la voie C et L.
Exposons ici brièvement les différents produits :
– CUB : cube hyperspectral en facteur de radiance, noté L(λ ) dans cette thèse.
– GEO : cube de données auxiliaires contenant les informations géographiques déterminées grâce
à la position et à l’orientation de Mars Express sur son orbite lors de l’acquisition (coordonnées
géographiques des pixels, angles d’incidence et d’émergence, topographie MOLA rééchantillonée,
...)
– REF : cube hyperspectral en réflectance, noté R(λ ) dans cette thèse. On divise simplement le CUB
par l’angle d’incidence inclus dans le GEO. Si la position du satellite est mal connue et si la surface
a une pente, le facteur de réflectance REF est incorrect.
– ATM : cube hyperspectral de transmission atmosphérique calculé en utilisant un modèle de trans-
fert radiatif uniquement pour les gaz. La méthodologie utilisée au LPG peut être qualifiée d’ab
initio, c’est à dire qu’elle est basée uniquement sur des données d’état atmosphérique issues du
GCM Mars Climate Database (63).
– RAC : cube hyperspectral de la réflectance au sol, corrigée des absorptions atmosphériques des
gaz du produit ATM.
– ? ? ?_GLT : cube d’aide à la projection géographique généré par ENVI. Les caractères “ ? ? ?”
peuvent être SOUTH, NORTH ou EQUA selon le type de projections stéréographiques polaires
sud, nord ou Mercator Transverse.

1.3 Transfert radiatif

Le transfert de lumière dans un gaz optiquement inactif est simple et très bien connu : c’est la loi de
Beer-Lambert. Il s’agit simplement d’une atténuation exponentielle du flux de lumière relevant unique-
ment des processus d’absorption et de diffusion Rayleigh (quelquefois négligeable). Les atmosphères
planétaires sont plus complexes car elles comportent des nuages d’aérosol. Outre la contribution des
gaz, les particules réfléchissent, réfractent, diffractent et absorbent la lumière. De nombreux paramètres,
comme l’hétérogénéité du nuage, les tailles et formes des grains, peuvent avoir des effets importants.
Néanmoins, le transfert radiatif dans les atmosphères planétaires peut être examiné à l’aide de la théorie
du transfert radiatif.
Les surfaces planétaires peuvent être composées de différents corps chimiques : silicates (minéraux
ferro-magnésien, argiles, ...), solides moléculaires (glaces, soufres, sulfates, ...), carbonates, ... Ces corps
chimiques sont assemblés sous forme de grains, par exemple : un feldspath dans un granite, un grain de

21
CHAPITRE 1. INTRODUCTION SUR L’IMAGERIE HYPERSPECTRALE DE TÉLÉDÉTECTION
SPATIALE ET L’ANALYSE DES DONNÉES

sable dans le régolithe, un grain de glace dans une neige, un grain de poussière dans une couche de glace
compacte, ...
La majorité des surfaces planétaires sont des milieux granulaires, i.e. des agrégats de grains plus ou
moins jointifs dans une matrice (de vide ou d’air dans le cas du régolithe, de glace d’eau dans une neige
fortement métamorphisée, ...). Les grains naturels ont des caractéristiques particulières : une grande
variabilité de taille, des formes complexes, des imperfections cristallines (défaut, inclusion, fissure,...).
Contrairement aux nuages d’aérosols, les surfaces ont une densité de grains si forte que les grains peuvent
être en contact. Il est possible que ces grains aient une “fabrique de forme”, c’est à dire une organisation,
par exemple : en couche dans la neige accumulée au cours de l’année, sous forme de linéation d’étire-
ment dans les roches métamorphiques, ...
L’interface entre le milieu granulaire et l’atmosphère a une géométrie complexe appelée “rugosité”. La
rugosité intervient de l’échelle macroscopique à l’échelle microscopique à la surface d’un grain.
Le transfert de lumière dans les surfaces planétaires est plus complexe que dans l’atmosphère à cause
de ces trois points : la faible distance de séparation entre grains, la perte d’isotropie des propriétés sta-
tistiques et l’interface complexe. Il existe donc des effets particuliers spécifiques aux surfaces : effet de
champs proches, réflexion spéculaire, effet d’opposition, diffusion multiple due au relief macroscopique,
...
Malgré de fortes différences, les transferts radiatifs dans les atmosphères et surfaces planétaires sont
souvent traités avec le même formalisme, exposés brièvement dans les pages qui suivent. Mais, des
dispositions particulières d’adaptation de la théorie du transfert radiatif aux surfaces planétaires sont
nécessaires pour atteindre un degré de réalisme physique suffisant.

1.3.1 Spectres en réflectance d’une planète

Les images hyperspectrales mesurées par OMEGA sont constituées de spectres. Chaque spectre I(λ )
est une mesure du “flux” d’énergie lumineuse (i.e. énergie par unité de temps) décomposée en fréquence.
L’unité est la radiance [W.µm−1 ], c’est à dire une puissance par unité de longueur d’onde.
Afin d’éliminer le spectre de la source, il est en général plus intéressant d’analyser les spectres en fac-
teur de radiance L(λ ) = I(λ )/Fsun (λ ), avec Fsun (λ ) la puissance de la source solaire au sommet de
l’atmosphère. Dans ce cas, le spectre est sans unité.
Définissons les angles et la géométrie du problème de télédétection des surfaces planétaires. La fi-
gure 1.3, représente un schéma simple de la géométrie d’acquisition.
Les angles zénithaux d’incidence solaire (ou angle d’éclairement) θi et d’émergence (ou angle d’obser-
vation du capteur) θr sont définis par rapport à la normale à la surface moyenne à une échelle donnée.
Les angles azimutaux d’incidence (ou d’éclairement) Φi et d’émergence (ou d’observation) Φr sont dé-
finis dans le plan orthogonal à la normale. L’angle Φ est appelé azimut relatif. Ces deux directions sont
le support des angles solides dωi et dωr . L’angle de phase entre les deux directions g admet comme sup-
plémentaire à π, l’angle de diffusion Θ. La surface éclairée admet un élément de surface dS. On définit
aussi les quantités suivantes µi/r = cos(θi/r ) .
Pour chaque pixel, la géométrie d’acquisition est l’ensemble des directions d’incidence solaire et
d’émergence vers le capteur. Le nadir est le point à la surface, à la verticale d’un satellite.
Nous pouvons maintenant définir des flux d’énergie au sol.
La “luminance” est la puissance émise/reçue dans la direction d’incidence/émergence par unité de sur-
face, par unité d’angle solide et pour unité de longueur d’onde. Son unité est [W.m-2 .sr-1 .µm-1 ].
L’ “éclairement” est la puissance reçue par une surface dS depuis toutes les directions du demi-espace
supérieur pour unité de longueur d’onde. Son unité est [W.m-2 .µm-1 ]. Il s’agit d’une intégration de la
luminance reçue sur toutes les directions du demi-espace supérieur.
Afin de s’affranchir de l’effet géométrique au sol, il est d’usage d’utiliser le spectre en réflec-
tance R(λ ) = I(λ )/ (Fsun (λ ). cos(θi )), normalisé par la luminance solaire éclairant la surface. Cette
quantité est bidirectionnelle car elle dépend à la fois de la direction d’incidence et de la direction
d’émergence. Elle est appelée BRDF pour “Bidirectional Reflectance Distribution Function” et notée
R (θi , θr , Φi , Φr , λ ). Dans le cas de la télédétection spatiale, la BRDF ne peut pas être déterminée. La

22
 1.3. TRANSFERT RADIATIF

F IG . 1.3 – Schéma de la géométrie d’acquisition en télédétection des surfaces planétaires (figure d’après
(29)).

direction d’incidence solaire est déterminée par la direction solaire à la surface au moment du passage du
satellite. La direction d’émergence, en général proche de la verticale, est imposée par la position du satel-
lite au moment de l’acquisition. La BRDF est donc échantillonnée dans deux directions. Les instruments
multi-angulaires, comme CRISM, permettent d’échantillonner les angles d’émergence.
Il existe plusieurs définitions d’albédo dans la littérature (110), toujours une quantité intégrée de la
BRDF.
Nous utilisons l’“albédo sphérique” ou “albédo de Bond” que nous notons simplement albédo A (λ ) par
la suite. Il s’agit de la puissance totale réfléchie par une surface dans toutes les directions, rapportée à la
puissance totale interceptée provenant de toutes les directions.
L’ “albédo directionnel-hémisphérique” Adh (θi , Φi , λ ) est le rapport entre la luminance diffusée dans
toutes les directions sur l’éclairement incident collimaté.
Dans le visible/proche infrarouge, l’albédo bolométrique Avis est l’intégrale spectrale de l’albédo pon-
déré du spectre solaire. Dans le domaine infrarouge thermique, l’albédo AIR correspond à l’intégration
de l’albédo pondéré du spectre d’émission thermique (en général un corps noir).
L’ “albédo bolométrique directionnel-hémisphérique” dans le visible, noté Adh,vis (θi , Φi ), est l’intégrale
spectrale de l’albédo directionnel-hémisphérique Adh (θi , Φi , λ ) pondéré du spectre solaire.
L’ “albédo bolométrique hémisphérique-hémisphérique” dans le visible, noté Avis , est l’intégrale spec-
trale et hémisphérique de Adh (θi , Φi , λ ) pondéré du spectre solaire. Cette quantité est donc intégrée sur
les toutes les directions incidentes. Il est possible de pondérer cette intégrale par une fonction direction-
nelle de flux à la surface.
Présentons maintenant un spectre en réflectance R(λ ) typique acquis par OMEGA dans l’infra-rouge
proche (voir fig. 1.4).
Le “continuum” est défini comme le niveau de réflectance moyen passant par tous les sommets du
spectre en réflectance. Le niveau de continuum d’un spectre dépend du niveau d’absorption (constantes
optiques) du matériau, des propriétés de diffusion du milieu et de la géométrie d’acquisition. L’effet de
la géométrie d’acquisition est étudié numériquement à la section 4.2 page 82 (voir fig. 4.4).
Les “bandes d’absorption” sont les creux du spectre sous le continuum, localisées en longueurs
d’onde. Ces creux ont une origine à l’échelle quantique dans l’indice imaginaire des constantes optiques.
Les effets de transfert radiatif dans les milieux planétaires, aux échelles classiques, modifient fortement
la forme des raies d’absorption quantique. L’intensité et la forme des bandes d’absorption dépendent de la
composition chimique, de l’assemblage des corps chimiques (représentation de surface), des paramètres
physiques (taille, forme et orientation des grains), de la quantité de corps chimiques présents.
Le continuum et les bandes d’absorption ne sont pas des concepts de transfert radiatif très précis.
Il n’existe pas de définition ni de signification physique poussées. Afin d’analyser les processus à l’ori-

23
CHAPITRE 1. INTRODUCTION SUR L’IMAGERIE HYPERSPECTRALE DE TÉLÉDÉTECTION
SPATIALE ET L’ANALYSE DES DONNÉES

F IG . 1.4 – Exemple d’un spectre OMEGA en réflectance.

gine des spectres en réflectance, présentons les concepts fondamentaux de la théorie du transfert radiatif
adaptés aux milieux planétaires.

1.3.2 Extinction particulaire

L’“extinction” définit la perturbation que subit une onde électro-magnétique plane qui se propage
dans un milieu. Le phénomène d’extinction est plus qu’une simple atténuation par absorption, il comporte
une multitude d’interactions physiques. La traduction mathématique de l’extinction se fait en terme de
“section efficace”, somme des sections efficaces de diffusion et d’absorption :

σext = σdi f f + σabs (1.1)

On note σdii f f , σabs
i les sections efficaces de diffusion et d’absorption du corps “i”. On peut définir l’al-

bédo de diffusion simple ϖ = σdi f f /σext qui compare les termes de diffusion et d’absorption.

[Link] Absorption
Fondement quantique L’approche quantique d’interaction entre une molécule et un rayonnement
électromagnétique réside dans la résolution de l’équation de Schrödinger qui comporte des solutions
à des niveaux discrets d’énergie.
Dans la gamme UV-visible, les énergies en jeux permettent des transitions électroniques - change-
ment d’orbitale d’un électron - qui correspondent à l’absorption d’un photon à une fréquence discrète.
Dans la gamme infra-rouge proche, l’absorption est due aux vibrations et rotations des molécules.
Le découplage entre la rotation et la vibration, mettant en jeux des fréquences différentes, permet de
résoudre l’équation de Schrödinger de manière approchée. Cependant, l’addition d’un terme correctif
autorise une solution plus précise pour la prise en compte du couplage vibro-rotationnel.
A l’état gazeux, chaque molécule est un oscillateur harmonique en première approximation. Les modes
fondamentaux, leurs harmoniques ainsi que des combinaisons sont donc à l’origine des absorptions.
Ces niveaux sont perturbés par une rotation rigide qui ajoute une structure fine de raie. La solution, en
tenant compte du terme correctif de rotation non-rigide et du couplage vibro-rotationnel, s’approche de
la solution exacte.
Dans le cadre des solides moléculaires cristallins (assemblage de molécules dans un réseau cristallin),
par exemple les glaces de H2 O et de CO2 , une complexité s’ajoute, dues aux interactions dans le réseau
(phonons, liaisons hydrogènes...)

24
 1.3. TRANSFERT RADIATIF

Description électromagnétique et optique classique Les propriétés optiques des matériaux sont ca-
ractérisées dans le formalisme de Maxwell par leur conductivité électrique σopt , leur constante diélec-
trique εopt et leur perméabilité magnétique µopt . Le champ électrique d’une onde plane ou sphérique
électromagnétique qui se propage dans ce matériau, peut s’écrire sous la forme suivante :
ω
E = E0 exp(i ) [(nre + [Link] )x − c.t] (1.2)
c
La variable ω dénote la fréquence angulaire, c la célérité, x la variable d’espace, t le temps. Les variables
nre et nim désignent les indices optiques réels et imaginaires responsables respectivement de la propaga-
tion et de l’absorption dans le milieu (104). Ces deux paramètres sont reliés aux propriétés optiques des
matériaux. Tous ces termes dépendent de la longueur d’onde de la lumière λ mais aussi des conditions de
température et de pression, du niveau de défaut dans les cristaux, de l’histoire de ces paramètres. De plus,
lors de mélanges à l’échelle atomique entre différentes molécules, la contribution spectrale de chacune
s’additionne de façon très non-linéaire, perturbant les propriétés propres à chaque corps pur (264). Un
autre élément de complexité intervient dans le cas des matériaux optiquement anisotropes. Si les proprié-
tés optiques dépendent de la direction de propagation (σopt , εopt et µopt sont des quantités tensorielles),
il est souvent pratique d’utiliser des quantités équivalentes isotropes moyennées sur toutes les directions
de l’espace.
De plus, il est difficile, en utilisant des méthodes ab initio basées uniquement sur la mécanique quan-
tique, d’obtenir théoriquement des valeurs pour les trois paramètres optiques suffisamment réalistes (σopt ,
εopt et µopt ). L’approche communément admise pour répondre à ce problème réside dans des mesures
spectroscopiques de laboratoire effectuées en transmission à travers les matériaux préparés sous forme
de cristaux translucides. Ces spectres mesurés permettent d’estimer les indices optiques des matériaux à
l’aide d’une inversion de la physique de transmission. Citons par exemple celles effectuées au LPG sur
les glaces (300; 264).
L’obtention par le calcul de la section efficace d’absorption à partir des indices optiques n’est pas
aisée. La théorie de Mie (210) (exposée notamment dans le livre suivant (104)) donne une expression
analytique pour des particules sphériques.

[Link] Diffusion
Dans un milieu comportant des diffuseurs, la diffusion peut être découpée en “diffusion simple” -
interaction avec une seule particule - et la “diffusion multiple” - interactions avec plusieurs particules à
la suite.
Après une présentation de la diffusion simple, traitons succinctement la diffusion par des diffuseurs
idéaux puis pour des diffuseurs complexes.

Diffusion simple Un champ électromagnétique est défini par quatre paramètres libres parmi les cinq
(luminance totale, amplitude et direction de la polarisation linéaire, amplitude et ellipticité de la polarisa-
tion circulaire). Le phénomène de diffusion peut être modélisé par une matrice de passage de taille 4 × 4
sur les quatre paramètres libres. Tous les termes de cette matrice sont dépendants de l’angle de diffusion
Θ.
Compte tenu des possibilités instrumentales actuelles dans le visible/proche infra-rouge, l’unique
paramètre mesurable qui nous intéresse en télédétection spatiale est la luminance totale. Nous allons donc
garder qu’un seul paramètre et cette hypothèse simplificatrice va occulter les phénomènes de polarisation
et d’interférence. La matrice est donc réduite à un seul élément : la “fonction de phase de diffusion
simple” p que l’on exprime en général en fonction de l’angle de phase g = π − Θ. Cette fonction est
normalisée à 1, ce qui permet son interprétation en tant que probabilité de répartition angulaire des
photons issus d’un rayonnement collimaté après diffusion par une particule :

1
Z
p (g) dω = 1 (1.3)
4π 4π

25
CHAPITRE 1. INTRODUCTION SUR L’IMAGERIE HYPERSPECTRALE DE TÉLÉDÉTECTION
SPATIALE ET L’ANALYSE DES DONNÉES

Au premier ordre, la définition du coefficient d’anisotropie ξ permet de décrire la tendance de la particule

à diffuser vers l’avant (ξ > 0) ou vers l’arrière (ξ < 0) :

1
Z
ξ= p (g) cos(g)dω (1.4)
4π 4π
Pour les milieux granulaires compacts, la solution proposée par Hapke (110) est de prétendre que la
section efficace d’extinction vaut la section efficace géométrique σext = σgeom .

Diffusion par des diffuseurs idéaux La diffusion de la lumière par des particules ponctuelles ou sphé-
riques suit différents régimes :
“Régime de Rayleigh” : les particules sont bien plus petites que la longueur d’onde de la lumière
incidente. Le paramètre clef qui détermine les sections efficaces de la particule est ici la polarisabilité.
La fonction de phase est p(Θ) = 34 (1 + cos2 (Θ)).
“Régime de l’optique géométrique” : les particules sont bien plus grandes que la longueur d’onde
de la lumière incidente. Il existe une solution analytique de la fonction de phase si les diffuseurs sont
sphériques.
“Régime de Mie” : des sphères homogènes de taille quelconque peuvent être traitées en utilisant le
formalisme de Maxwell avec des conditions aux limites appropriées (210) (exposé notamment dans le
livre suivant (104)). Cette théorie permet de faire la relation entre les indices optiques des matériaux et
les sections efficaces de diffusion et d’absorption.

Diffusion par des particules complexes Dans les milieux naturels, la connaissance de σdi f f , σabs et de
p(g) n’est pas aisée car la complexité des formes des diffuseurs rend impossible un traitement analytique
exact. Hapke (110) propose une expression semi-empirique de la section efficace de diffusion pour des
particules à distribution isotrope des facettes (particules quasi-sphériques). En ce qui concerne la fonction
de phase, il est utile d’avoir recours soit à des fonctions paramétriques simplifiées a priori, comme la
fonction de Henyey-Greenstein (simple ou double), soit à une décomposition sur des polynômes de
Legendre. Ces fonctions peuvent être calibrées sur des données réelles (209) ou numériques (99; 214).
L’approche numérique consiste à faire une étude par tracé de rayon pour différentes incidences, forme
de grains, indices optiques et d’établir les paramètres libres de la fonction de phase. Dans le cadre de
l’optique géométrique, les particules naturelles tendent à diffuser vers l’avant.

1.3.3 Équation du transfert radiatif (ETR)

L’équation du transfert radiatif (ETR) a été formalisée par Chandrasekhar en 1960 (43). Il s’agit de
l’équation de conservation de l’énergie radiative exprimée le long d’une ligne de visée. Elle comporte
l’absorption et la diffusion, incluant la diffusion simple et la diffusion multiple, c’est à dire à plusieurs
diffusions simples successives. Dans un problème à symétrie plan-parallèle, il s’agit de la relation sui-
vante, valable pour toutes les longueurs d’onde λ dans un système continûment absorbant et diffusant,
optiquement inactif :
Z 1 Z 2π
∂ I(τ, µr , Φ) 1 F µτ
µr = I(τ, µr , Φ) − ϖ p (g) I(τ 0 , µr0 , Φ0 )dµr0 dΦ0 − e i p(gi ) (1.5)
∂τ 4π −1 0 4
Elle traduit la conservation de l’énergie électromagnétique dans un milieu. Le terme de gauche cor-
respond à la variation de la luminance le long de la direction d’émergence pour une variation d’épaisseur
optique dτ . Cette dernière quantité est définie par la relation suivante :
N
dτ = − ∑ ρ i (z, λ ) σext
i
(z, λ ) dz (1.6)
i=1

Les termes ρ i et σext

i correspondent aux densités et sections efficaces d’extinction propre au corps i. En

cas de mélange, N est le nombre de corps en présence.

26
 1.3. TRANSFERT RADIATIF

F IG . 1.5 – Schéma de l’équation du transfert radiatif. C’est une équation de conservation de l’énergie le
long de la ligne de visée (figure d’après (29)).

Le premier terme du membre de droite dans l’équation 1.5 correspond à la perte par atténuation, le
second terme au gain par diffusion multiple. Le dernier terme correspond au gain par la diffusion simple
du rayonnement solaire incident collimaté. La figure 1.5 illustre ce bilan.
La solution de cette équation en terme de champ de luminance a été donnée par Chandrasekhar en
1960 pour un empilement de couches homogènes plan-parallèles. Les propriétés radiatives telles que les
albédos de diffusion simple, l’épaisseur optique des couches et les fonctions de phase sont des propriétés
radiatives du milieu continu.
La théorie de l’électromagnétisme statistique développée par Twersky (301) a permis de faire le lien
entre les propriétés du milieu continu et les propriétés des particules. Dans un milieu où les diffuseurs
ont des caractéristiques de positions, de formes et d’orientation indépendante les unes des autres, cette
théorie démontre que le champ cohérent, c’est à dire de la valeur moyenne (moment d’ordre 1) du champ
aléatoire “microscopique”, est soumis à la même équation ETR que celle déterminée par Chandrasekhar
(équation 1.5). Les propriétés radiatives locales, telles que les sections efficaces, sont confondues avec
leurs valeurs moyennes sur la distribution des caractéristiques des diffuseurs (moment d’ordre 1).
De plus, l’ETR est valable uniquement si la contribution des chaînes multiples de diffusion comprenant
le même diffuseur est négligeable - la diffusion vers l’avant doit dominer.
L’hypothèse du “champ lointain” est également nécessaire - les évènements de diffusion sont suffisam-
ment loin les uns des autres pour que l’onde diffusée puisse être toujours supposée localement comme
plane.
Enfin, l’hypothèse du “milieu ténu” - la taille des diffuseurs est petite par rapport à leur distance ca-
ractéristique de séparation, comme c’est le cas des aérosols dans l’atmosphère. Aucune de ces deux
dernières hypothèses ne sont valables dans le cas des surfaces planétaires.
Aucune équation tenant compte rigoureusement de l’effet du champ proche dans le cas de diffuseurs
en contact n’existe. Deux alternatives s’offrent pour estimer la réflectance bidirectionnelle des surfaces :
(i) l’utilisation de modèles complexes de tracé de rayon en trois dimensions ou (ii) l’établissement de
solutions semi-empiriques approchées en champ proche.
La première approche consiste à faire des expériences numériques simulant des interactions physiques
réalistes photons-matière. Mais elle interdit l’analyse poussée des données de télédétection par inversion
du modèle, compte tenu du nombre de paramètres et de l’ampleur des calculs mis en jeux.
La seconde, bien que moins satisfaisante en terme de physique, permet de conserver le formalisme théo-
rique de l’ETR moyennant quelques aménagements sur les propriétés radiatives locales et sur la solution.
Dans le cadre de l’ETR modifiée, l’ajout de certains effets supplémentaires vient compléter la modé-
lisation de la diffusion multiple de volume de manière ad hoc : la réflexion spéculaire, l’effet d’opposition
et la rugosité de surface à petite échelle.
La “réflexion spéculaire” - réflexion simple à l’interface entre deux milieux de propriétés optiques

27
CHAPITRE 1. INTRODUCTION SUR L’IMAGERIE HYPERSPECTRALE DE TÉLÉDÉTECTION
SPATIALE ET L’ANALYSE DES DONNÉES

distinctes - n’est introduite que de façon moyennée sur toutes les orientations de facettes dans l’ETR.
L’“effet d’opposition” a lieu pour les géométries où l’incidence et l’émergence sont presque ou stric-
tement confondues.
Il s’agit premièrement de la “rétro-diffusion cohérente” (CBOE pour “Coherent Backscattering Oppo-
sition Effect”) qui correspond aux interférences constructives de trajets d’ondes électromagnétiques de
sens opposés à corrélation de phase (165; 109). Ce phénomène d’interférence est ignoré dans l’ETR car
les chaînes de diffusion sont supposées indépendantes les unes des autres. Des expériences de labora-
toires montrent que ce phénomène apparaît quand la taille des grains est similaire à la longueur d’onde
(227).
Deuxièmement, l’effet d’“occultation par ombrage” (SHOE pour “Shadow Hiding Opposition Effect”)
correspond à l’ombre projetée de la micro-rugosité de la surface (283). Dans une géométrie à angle de
phase faible, il existe une augmentation non-linéaire de la luminance émergente due à cet effet SHOE.
Plus généralement, les conditions aux limites entre les interfaces n’étant pas planes, la solution à l’ETR
nécessite l’ajout d’un modèle de rugosité de la surface à différentes échelles spatiales.
Enfin, l’adaptation de l’équation 1.6 à des milieux denses est nécessaire. L’approche de Hapke (110)
réside dans la reformulation suivante :

N
ln(1 − γ) i
dτ = − ∑ ρ i (z, λ ) σext (z, λ ) dz (1.7)
i=1 γ
faisant intervenir un nouveau paramètre : la compacité γ = Vmat /Vtot qui est la fraction remplie de matière
dans un volume unité. Dans ce cas, les densités ρ i sont des densités en nombre de particules. Pour une
texture de glace compacte comportant des inclusions, Douté propose la formulation suivante (66) :

N  
i ln(1 − γ) i
dτ = − ∑ ζ (λ ) + ρ (z, λ ) σext (z, λ ) dz (1.8)
i=1 γ
4πnim (λ )
en ajoutant le coefficient d’absorption ζ (λ ) = λ , avec nim (λ ) l’indice imaginaire de la matrice
glacée.

1.3.4 Modélisations de la réflectance des surfaces planétaires

Les propriétés de réflection diffuse des surfaces planétaires sont décrites par la réflectance bidirec-
tionnelle R (θi , θr , Φi , Φr , λ ) (BRDF : Bidirectional Reflectance Distribution Function) qui correspond
au rapport entre la luminance réfléchie dans la direction d’émergence (définie par les angles θr et Φr )
sur l’éclairement arrivant à la surface, provenant de la direction d’incidence (définie par les angles θi et
Φi ). Pour étalonner et évaluer les approches théoriques, des mesures sur le terrain (239), des mesures
en laboratoire (29), voire des expériences numériques (99; 274) sont nécessaires. Nous allons faire ici
une présentation non exhaustive des efforts en matière de modélisation de la BRDF : depuis des modèles
empiriques très basiques, en progressant vers des modèles physiques analytiques, en concluant par des
modèles numériques plus sophistiqués. Nous allons écarter d’emblée la présentation des expérimenta-
tions numériques de type lancé de rayon car elles ne sont pas utiles dans le cadre d’une analyse massive
de signaux spectraux de télédétection.

[Link] Modèles empiriques

Avant l’établissement de l’ETR en 1960, des formulations empiriques de la réflectance de la surface
ont été proposées. Exposons les deux lois les plus utilisées.

Lambert La plus connue est sans doute la “loi de Lambert” :

R (θi , θr , λ ) = A(λ ) (1.9)

28
 1.3. TRANSFERT RADIATIF

Le coefficient A est parfois dénommé albédo lambertien de la surface. Cette loi reproduit partiel-
lement le comportement de certains matériaux clairs mais beaucoup moins bien celui des matériaux
sombres. Le transfert radiatif pour la surface et l’atmosphère d’une planète peuvent néanmoins être pa-
ramétrés avec ce modèle (289)

Minnaert La “loi de Minnaert ”(212) , est basée sur la réciprocité de Helmoltz :

R (θi , θe , λ ) = A(λ ) cosκ (θi ) cosκ−1 (θr ) (1.10)

La constante κ est appelée constante de Minnaert. Cette loi a le mérite d’avoir un comportement
angulaire mais perd son réalisme physique à mesure que la direction d’émergence se rapproche de l’ho-
rizontal. Il existe des modélisations analytiques de la spectro-photométrie de la surface et de l’atmosphère
de Mars qui utilisent ce modèle (72).

[Link] Modèles analytiques physiques

Nous allons décrire ici trois approches de solutions analytiques à l’ETR. La première consiste à
établir des solutions simples, nécessitant des approximations peu réalistes. La seconde permet d’affiner
la description, en ajoutant notamment la notion de taille de grains et en utilisant des relations empiriques
déterminées à partir d’expériences numériques sur des objets fractaux. Enfin, la troisième inclut les effets
CBOE et SHOE.

Kubelka et Munk Une solution pour un milieu optiquement semi-infini, diffusant de manière isotrope
et éclairée de manière diffuse, a été établie par Kubelka et Munk (164). Cette solution est valide si la
diffusion domine par rapport à l’absorption (albédo de diffusion simple proche de 1). Elle a l’avantage
d’être linéaire, moyennant quelques transformations. Son expression est la suivante :

∑Ni=1 ρ i .σabs
i (λ )
  
R(λ ) = exp arg cosh +1 (1.11)
s(λ )
Les paramètres ont les significations suivantes : ρ i /σabs
i densité/section efficace d’absorption du corps

“i” (voir section 1.1) ; s(λ ) coefficient empirique de diffusion parfois approximé par A + Bλ .
Une généralisation de cette théorie à des milieux plus absorbants, prenant mieux en compte le trajet
effectif des photons, a été proposée très récemment (308; 309; 310) pour des applications de papeterie et
implique la non-linéarité. Malgré tout, cette théorie est utilisée dans des domaines très variés, en biologie
comme le montre cette étude des tissus humains (117). Dans le domaine des surfaces planétaires, cette
théorie est peu utilisée mais mentionnons tout de même une étude de 1982 (218).

Approximate Asymptotic Theory : AAT Une approche paramétrique proposée récemment Approxi-
mate Asymptotic Theory (AAT) (159) se base sur des considérations semi-empiriques pour décrire la
réflectance de milieux semi-infinis composés de particules irrégulières. Cette étude a été menée sur des
glaces terrestres décrites par des figures fractales. L’expression de la réflectance de surface proposée est
la suivante :
 
−0, 66(1 + µi )(1 + µr ) p
R (θi , θr , Φ, λ ) = R0 (θi , θr , Φ, λ ) exp γd (1.12)
R0 (θi , θr , Φ, λ )
avec le coefficient d’absorption γ(λ ) = 4πnim (λ )/λ , nim (λ ) est l’indice optique imaginaire, d =
6 hV i / hSi est la taille de grains effective, hV i est le volume moyen des particules,hSi est la surface
moyenne des particules. La fonction de réflectance d’un milieu semi-infini non-absorbant constitué de
particules fractales, suit l’expression suivante :

1, 247 + 1, 186(µi + µr ) + 5, 157µi µr + p(Θ)

R0 (θi , θr , Φ, λ ) = (1.13)
4(µi + µr )

29
CHAPITRE 1. INTRODUCTION SUR L’IMAGERIE HYPERSPECTRALE DE TÉLÉDÉTECTION
SPATIALE ET L’ANALYSE DES DONNÉES

Pour des cristaux de glace irréguliers, la fonction de phase peut s’approximer par (158) :

p(Θ) = 11, 1 exp(−0, 087Θ) + exp(−0, 014Θ) (1.14)

Hapke L’approche semi-empirique de Hapke est sans doute la plus connue dans le domaine des sur-
faces planétaires. Après une adaptation de l’ETR, en particulier de l’équation 1.6 pour des milieux denses
(voir la section 1.3.3) l’expression de la réflectance bidirectionnelle est la suivante :

ϖ(λ ) S(θi , θr , g, Ξ)
R (θi , θr , g, λ ) = [(1 + BS (g, λ )) p(g, λ ) + (1 + BC (µi , µr , g, λ )) M(µi , µr , g, λ )]
4 µi + µr
(1.15)
Le terme BS (g, λ ) correspond à l’effet SHOE (108).
Le terme M(θi , θr , g, λ ) correspond à une diffusion multiple de volume isotrope (110).
Le terme BC (θi , θr , g, λ ) correspond à la rétrodiffusion cohérente CBOE (109; 110).
Le terme S(θi , θr , g, Ξ) correspond à l’effet de rugosité macroscopique (107; 110). Le paramètre Ξ
est la pente moyenne et les angles θi et θr sont redéfinis.
Cette solution reproduit correctement le comportement des surfaces planétaires mais viole les lois de
conservation de l’énergie (214).

[Link] Modèles numériques

La solution développée au Laboratoire de Planétologie de Grenoble (62) s’applique aux milieux stra-
tifiés plans parallèles. De plus, elle est semi-analytique, ce qui permet des calculs en temps raisonnable.
Les diffusions simples et doubles sont traitées de manière exacte tandis que les ordres supérieurs de dif-
fusion multiple utilisent une fonction de phase tronquée à l’ordre 1 des polynômes de Legendre selon
Chandrasekhar. Cette méthode a été utilisée lors de cette thèse.
D’autres modélisations sont proposées (214) et (46) pour des milieux faiblement absorbants. De
plus, Shkuratov propose une représentation fractale de la surface pour tenir compte au mieux des effets
de SHOE et CBOE (275) .
Toutes ces solutions approchées permettent l’inversion massive de spectres en réflection car elles
résolvent efficacement l’équation du transfert radiatif avec un nombre limité de paramètres (proportion
en corps pur, taille des grains).

1.3.5 Modélisation du couplage surface-atmosphère

L’ETR exprimée dans la section 1.3.3 est valable pour l’atmosphère. Il existe donc un fondement
théorique cohérent sur lequel s’appuyer pour estimer l’effet de l’atmosphère. Cependant, le niveau de
complexité du couplage entre surface et atmosphère est élevé, à cause des diffusions multiples. En effet,
dans certaines situations, la diffusion permet à un même photon de se propager plusieurs fois de suite
dans la surface et l’atmosphère. Cette situation permet au photon d’échantillonner plusieurs endroits de
la surface. La modélisation de tels trajets nécessite une résolution de l’ETR en trois dimensions.
Pour s’affranchir de cette complexité, des simplifications, pas toujours justifiées, du couplage radiatif
entre surface et atmosphère sont parfois nécessaires.
Citons une première étude tenant compte d’une couche homogène d’atmosphère diffusante et une réflec-
tance de surface lambertienne (289).
Une autre, construite pour Mars et l’instrument OMEGA, utilise une surface ayant la loi de Minnaert,
une couche d’aérosols dans la moitié la plus basse de l’atmosphère (72).
Une étude plus générale, sans hypothèses sur la réflectance bidirectionnelle de la surface, ni sur la diffu-
sion par les aérosols, a été menée (289). Ce modèle montre qu’un couplage surface/atmosphère réaliste
est incompatible avec un mélange linéaire de la réflectance de surface même en présence d’un mélange
géographique subpixel.
Une étude similaire propose d’améliorer ce dernier point en estimant la fonction de mélange en utilisant

30
 1.4. SCHÉMA GÉNÉRAL D’ANALYSE DES IMAGES HYPERSPECTRALES

un méthode Monte-Carlo (211).

Cependant, une étape supplémentaire a été franchie récemment en donnant une formulation explicite de
l’effet radiatif d’une atmosphère sur la réflectance de surface en utilisant le formalisme des fonctions de
Green à une dimension (196) puis à trois dimensions (197).
Dans le cadre général de la télédétection, il faut donc associer une modélisation du transfert radiatif
dans les surfaces avec une modélisation de l’effet atmosphérique pour estimer correctement les para-
mètres physiques de la surface.

1.4 Schéma général d’analyse des images hyperspectrales

Les signaux spectroscopiques des images hyperspectrales sont générés par le transfert radiatif com-
plexe dans les milieux planétaires (surface et atmosphère). De de fait, seule l’inversion d’un modèle
physique réaliste permet une analyse correcte de ces signaux. Or, l’inversion est une étape lourde et
complexe, impossible à mettre en place sans analyse préalable. Le schéma d’analyse des images hyper-
spectrales se fait donc graduellement : de l’extraction des informations de premier ordre, vers une analyse
physique fine.

1.4.1 Analyse de premier ordre : réduction de dimensionnalité, classification, séparation

de sources
La première étape d’analyse concerne la détection, l’identification et l’extraction primaire de deux
types d’objets intelligibles : les classes et les sources. Avant de les présenter, il s’agit d’abord d’énoncer
le type d’informations physiques pouvant être extrait des images hyperspectrales.

[Link] Informations planétologiques : assemblage, mélange et représentation de terrain

Les surfaces planétaires sont composées de milieux granulaires (ou granulaire compact) au sein
desquels différents corps chimiques peuvent être assemblés. L’ “assemblage” des corps chimiques peut
se faire de différentes manières selon les échelles spatiales : au sein d’un même grain, par coexistance
de grains hétérogènes au sein du même milieu granulaire, en strates optiquement minces superposées,
en juxtaposition de milieux granulaires au sein d’un même pixel, en milieux granulaires juxtaposés et
résolus. A chacun des types d’assemblage correspond un “mélange spectral”. L’opération d’assemblage
altère les signaux spectroscopiques des corps chimiques purs. Ils sont mélangés pour produire le nouveau
signal spectroscopique correspondant à l’assemblage. Détaillons les différents types de mélange associés
aux assemblages précédents :

– Mélange intime chimique. Il s’agit d’un mélange spectral induit par un assemblage de corps chi-
miques à une échelle plus petite que celle d’un grain.
Un assemblage sous forme d’inclusion intra-grain produit un changement non-linéaire des sec-
tions efficaces d’absorption et de diffusion du grain.
Dans le cas d’un assemblage chimique cristallin de plusieurs molécules, les constantes optiques
du matériau sont généralement très différentes des constantes optiques propres à chaque corps chi-
mique pur, dû aux effets quantiques sur les vibrations et les rotations des molécules (voir section
[Link]). Dans les cas étudiés lors de cette thèse, le mélange intime chimique n’a pas été utilisé.
Il est cependant possible que des mélanges chimiques cristallins d’H2 O et CO2 , sous forme de
clathrates par exemple, soient présents sur Mars (voir section [Link] page 143).
– Mélange intime granulaire. Il s’agit d’un mélange spectral induit par un assemblage de grains de
propriétés physiques différentes (composition chimique, taille, forme et des grains) au sein d’un
même milieu granulaire. Ce mélange spectral est possible car un même photon peut rencontrer
sur son parcours des grains de propriétés physiques différentes (voir fig. 1.6). Les hétérogénéités
du milieu granulaire interviennent entre l’échelle de la taille des grains et celle du libre parcours

31
CHAPITRE 1. INTRODUCTION SUR L’IMAGERIE HYPERSPECTRALE DE TÉLÉDÉTECTION
SPATIALE ET L’ANALYSE DES DONNÉES

(a) Mélange intime granulaire (b) Mélange stratifié (c) Mélange geographique sub-pixel

F IG . 1.6 – Schéma des types d’assemblage. A chaque type d’assemblage est associé un mélange spectral.

moyen optique. La théorie du transfert radiatif montre que la BRDF du milieu granulaire hétéro-
gène n’est pas reliée linéairement aux BRDF des milieux homogènes. Cependant, dans un milieu
granulaire hétérogène à distribution uniforme des paramètres physiques (taille, forme, orientation
des grains), la profondeur optique est une combinaison linéaire des densités de grains pondérés
par les sections efficaces d’extinction (voir équation 1.6 page 26). C’est aussi valable, moyen-
nant quelques aménagement pour les textures granulaires denses (voir équation 1.7 page 28) et
compactes (voir équation 1.8 page 28).
– Mélange intime stratifié. Il s’agit d’un mélange spectral induit par un assemblage de strates, en
général horizontales. Chaque strate est un milieu granulaire, à une échelle plus fine que celle du
libre parcours moyen optique. De cette manière, un même photon peut traverser l’ensemble des
couches (voir fig. 1.6). La BRDF d’un milieu stratifié est une fonction non-linéaire des BRDF et
de la transmission de chaque strate. Ce mélange intervient dans la dépendance à la profondeur z
de la densité des grains du corps i (voir équation. 1.6 page 26).
– Mélange géographique subpixel. Il s’agit d’un mélange spectral induit par une juxtaposition hori-
zontale de milieux granulaires à une échelle intermédiaire entre la taille du pixel et le libre parcours
moyen optique dans la direction horizontale (voir fig. 1.6). Les différents milieux granulaires ne
sont pas en contact optique et leurs BRDF sont donc indépendantes. Dans l’hypothèse d’une at-
mosphère non diffusante, la BRDF du pixel est une combinaison linéaire des BRDF des milieux
granulaires pondérés des proportions de surface intra-pixel. Chaque zone “z” a un spectre noté Sz
et une proportion de surface associée noté αz .
– Mélange géographique résolu. Il s’agit d’un mélange spectral à dimension planétaire induit par
un assemblage de milieux granulaires à une échelle plus grande que la taille du pixel. Ce type de
mélange spectral est résolu par l’instrument et ne constitue pas à proprement parlé un mélange
mais plutôt un assemblage géographique résolu. Cet assemblage peut être étudié notamment par
la cohérence spatiale des propriétés physiques déduites.
Les quatre types d’assemblages des corps non-résolus par l’instrument (i.e. : assemblage intime chi-
mique, assemblage intime granulaire, assemblage intime stratifié et assemblage géographique subpixel)
peuvent être combinés de diverses manières et constituent ainsi la représentation de terrain. Une unité
de terrain est l’ensemble des spectres/pixels qui ont une représentation de terrain identique et des para-
mètres physiques similaires (composition, abondance, taille de grain,...). Le concept d’unité de terrain a
un caractère quelque peu caricatural car en réalité, il existe des transitions continues entre les différentes
unités de terrain, par exemple : une couche supérieure passant progressivement d’une épaisseur optique
très élevée à nulle. Chaque spectre a une représentation de terrain qui lui est propre.
Les informations physiques, concernant les surfaces planétaires, pouvant être déduites des images
hyperspectrales, découlent de cette typologie des mélanges :
1. Les corps chimiques en présence, leur nombre
2. Les types de mélange/assemblage présents ou absents de la scène
3. La représentation de terrain la plus pertinente, son unicité

32
 1.4. SCHÉMA GÉNÉRAL D’ANALYSE DES IMAGES HYPERSPECTRALES

4. Les paramètres physiques de chacun des éléments de la représentation de terrain : abondances (mo-
léculaires, granulaires, surfaciques), tailles, propriétés des grains (forme, texture et distribution),
densité, compacité et épaisseur des couches, rugosité de la surface ...

[Link] Qu’est ce qu’une classe ?

De manière générale, on peut définir une classe comme un ensemble de spectres ayant des caracté-
ristiques similaires. Dans le cadre de la télédétection des surfaces planétaires qui est au centre de cette
thèse, nous allons nous concentrer sur certaines classes particulières des images hyperspectrales :

1. Classe de présence au sol du corps chimique “i” : ensemble des spectres comportant la signature
de présence au sol du corps chimique “i”.
2. Classe de présence au sol de plusieurs corps chimiques à la fois : ensemble des spectres comportant
la signature conjointe de plusieurs corps chimiques.
3. Classe de présence au sol du corps chimique “i” ayant des propriétés physiques particulières :
ensemble des spectres comportant la signature de présence au sol du corps chimique i avec des
paramètres physiques similaires (abondance, taille de grains, densité) compris dans une gamme
définie.
4. Classe d’unité de terrain : ensemble des spectres comportant la signature de présence au sol d’un
assemblage de corps chimiques de représentation de surface identique et de paramètres physiques
similaires (abondance, taille de grain, densité).

Il faut noter que certains paramètres physiques sont absents de ces classes d’intérêt pour l’étude des
surfaces planétaires : la rugosité de surface et les paramètres atmosphériques. Aussi la géométrie d’ac-
quisition, qui influence le spectre, n’est pas intéressante pour l’étude des surfaces planétaires. Au cours
de ma thèse, une méthode de classification supervisée “Wavanglet” qui établit des classes de type 1 et 2
a été développée. Elle pourrait aussi produire des classes de type 3 car elle est relativement sensible à la
taille de grain.
Il est toujours possible de multiplier les exemples de classes en fonction des problématiques plané-
tologiques particulières, par exemple celles impliquant conjointement les paramètres atmosphériques et
de surface.
La classification, bien qu’étant une étape préliminaire d’analyse, permet déjà de comprendre certains
phénomènes physiques en jeu comme le montre l’analyse effectuée lors de cette thèse à propos de la
récession des dépôts saisonniers sud (voir chapitre 8 page 149).

[Link] Qu’est-ce qu’une source ?

Une source est paramètre physique à valeur réelle qui est à l’origine des images hyperspectrales. Il
s’agit d’une tentative de quantification mais il existe une distinction entre source et paramètre physique
obtenu après inversion du transfert radiatif. La source est déterminée grâce à un modèle approché très
simplifié. Tandis que le paramètre physique est déterminé avec un modèle plus adéquat. Une définition
plus précise est donnée dans le chapitre 5 page 91.
Dans le cadre de la télédétection des surfaces planétaires, il existe plusieurs types de sources et de
simplifications associées :

1. Pour une même unité de terrain, chaque paramètre physique est une source (abondance, taille de
grain, proportion de surface,...). Par exemple, en faisant l’hypothèse que toute l’image est uni-
quement en mélange géographique subpixel de corps purs : les sources sont les proportions de
surface.
2. En supposant que la diffusion dans l’atmosphère est absente, la transmission atmosphérique est
une source.

33
CHAPITRE 1. INTRODUCTION SUR L’IMAGERIE HYPERSPECTRALE DE TÉLÉDÉTECTION
SPATIALE ET L’ANALYSE DES DONNÉES

J’ai développé au cours de ma thèse une méthode de séparation de source non-supervisée qui permet
d’estimer les sources de type 1 (voir chapitre 6 page 115).
Ici aussi, certains paramètres physiques sont absents des sources d’intérêt pour l’étude des sur-
faces planétaires : la géométrie d’acquisition, la rugosité de surface, les paramètres atmosphériques.
Ils peuvent néanmoins être intéressants pour des problématiques particulières. Les méthodes de sépa-
ration de sources permettent aussi de déterminer des unités de terrain en appliquant des seuils sur les
abondances par exemple.

1.4.2 Analyse physique complète : inversion des modèles de transfert radiatif

Méthode d’inversion Les “méthodes d’inversion” s’opposent aux “méthodes directes”. Dans le sens
direct, il s’agit de modéliser un processus physique et de calculer une ou plusieurs observables en fonc-
tion de paramètres physiques. Par exemple, la réflectance de surface en fonction de la géométrie d’ob-
servation, des corps en présence, de la taille des grains, etc ... Dans le sens inverse, il s’agit d’estimer les
paramètres physiques à partir des observables.
Le processus d’inversion consiste à rechercher de l’information à la fois nouvelle et pertinente. Il
s’agit de mettre en commun l’état d’information contenu dans un modèle physique (par exemple celui
du transfert radiatif) et l’état d’information de la mesure. En effet, un modèle interdit des situations qui
ne sont pas “physiques”, gardant uniquement certaines combinaisons de paramètres possibles. Quant
aux données, bien que comportant des incertitudes, les mesures contiennent de l’information sur les
observables. La conjonction de ces deux états d’information est la solution robuste du problème d’in-
version (291). Cette solution n’est pas forcément unique, c’est un état d’information sur les paramètres
physiques.
Il existe une grande quantité de méthodes qui permettent de résoudre ce problème. Dans le cadre d’un
problème linéaire avec des erreurs gaussiennes, la solution est analytique et consiste en une inversion de
matrice (291). Dans le cadre général non-linéaire, la solution peut être estimée par des méthodes de type
Monte-Carlo (290; 219).

Objectifs de l’analyse physique en télédétection L’inversion de la physique du transfert radiatif est

très certainement l’étape la plus aboutie dans l’analyse de données. Cependant, dans le domaine de la
télédétection depuis l’espace, l’inversion est une opération lourde car, déjà dans le sens direct, le transfert
radiatif résolu de manière rigoureuse est très complexe (voir section 1.3). Seule l’utilisation de la solution
de l’ETR en ignorant les effets de champ proche, peut permettre pratiquement une inversion massive de
spectres.
La détermination d’une représentation de terrain constitue le premier objectif (voir section [Link]).
Le nombre de représentations de surface possibles, c’est à dire le nombre d’assemblages possibles des
corps est infini. Il est donc impossible de tester toutes les possibilités. On peut réduire ce nombre si on
se restreint aux cas les plus simples :
Soit N corps en présence et seulement trois types de mélange : mélange intime granulaire, mélange in-
time stratifié et mélange géographique subpixel. Il existe donc un espace des paramètres de
dimension
N 3 . Le nombre d’arrangements possibles des types de mélanges dans cet espace est N 3 ! Pour trois
corps, il existe de l’ordre de 1028 possibilités.
De plus, les informations spectroscopiques ne sont pas forcément suffisantes pour inverser la représenta-
tion de terrain. La représentation de terrain ne peut pas être considérée comme un paramètre libre pour
chacun des spectres à analyser.
Il est néanmoins possible, par une approche d’essais successifs, d’estimer la meilleure représentation
de terrain par l’analyse de quelques spectres représentatifs d’une même unité de terrain. Certaines mé-
thodes de classification tentent de déterminer l’ensemble des spectres d’une même unité de terrain (voir
section [Link]). Elles sont exposées au le chapitre 3 page 59.
Afin de déterminer les spectres représentatifs, plusieurs stratégies sont possibles : la moyenne des
spectres au sein de chaque unité de terrain, les spectres les plus extrêmes de la classe. Une autre ap-
proche consiste à utiliser une source (voir chapitre 5 page 91).

34
 1.4. SCHÉMA GÉNÉRAL D’ANALYSE DES IMAGES HYPERSPECTRALES

L’étape d’inversion utilise les résultats de la réduction de données, de la classification et de la sé-

paration de source afin de circonscrire des unités de terrains pour lesquelles nous devons déterminer les
représentations de surface. L’ultime étape de l’inversion en télédétection consiste à inverser l’ensemble
des spectres d’une image, voire d’une grande collection d’images afin de pouvoir effectuer des interpré-
tations planétologiques de détail.
Plusieurs études d’inversion en télédétection ont eu lieu. En particulier, l’inversion du modèle de Hapke
a été effectuée sur les données lunaires de la sonde Clementine (NASA) en utilisant une méthode Monte-
Carlo (241).
Aussi, dans le domaine des glaces du système solaire, citons une étude menée sur Io, utilisant le modèle
de réflectance du LPG par Douté et al. (65).
Enfin, sur Mars, une inversion au plus proche voisin de quelques spectres de réflectance représentatifs de
la calotte permanente sud a été menée sur trois images OMEGA (64). L’étape suivante consiste à faire
une inversion sur tous les spectres d’une image (63).

35
Chapitre 2
Réduction des dimensions spectrales

Un astre rouge observé au téléscope depuis la Terre (Crédit : Johannes Schedler, Panther Observa-
tory)

37
CHAPITRE 2. RÉDUCTION DES DIMENSIONS SPECTRALES

La réduction des dimensions spectrales consiste à trouver une représentation des données dans un
espace à moindre dimension mais qui conserve au mieux les informations de l’image. L’espace d’arrivée
est plus petit (au maximum tenseur d’ordre 3, avec une dimension spectrale Nλ 3) que celui de départ
(tenseur d’ordre 3, avec des dimensions spectrales Nλ  3). Ces transformations peuvent ne pas avoir de
justifications physiques, en revanche, leur représentation doit permettre des analyses physiques !
La réduction de dimensionnalité spectrale est possible car l’information spectrale est redondante -
plusieurs canaux spectraux sont dans des bandes d’absorption du même corps chimique. La réduction
de dimensionnalité spatiale est permise s’il existe une certaine redondance spatiale, par exemple tous
les spectres au sein d’une unité de terrain comportent la même représentation de terrain. Cependant, la
redondance d’information spectrale apparaît comme plus importante que la redondance spatiale. Nous
allons nous concentrer uniquement sur la réduction de dimensionnalité spectrale.
Souvent, les méthodes de réduction de dimensionnalité spectrale ignorent la répartition spatiale des
spectres. Une permutation de tous les spectres de l’image ne changerait pas le résultat. Les dimension-
nalités spatiales sont donc considérées simplement comme des occurrences de spectre.
Le but de la réduction de données est double dans notre cas : la représentation et la classification
des données. La “représentation” des cubes de données hyperspectrales est impossible sur un écran à
deux dimensions. Il faut soit privilégier les informations spatiales en regardant image par image, des
coupes à une longueur d’onde donnée. Dans ce cas, la représentation peut être une vidéo, c’est à dire
une animation temporelle des canaux. Soit, en privilégiant les informations spectrales, il est possible de
représenter une collection de spectres résultant de coupes selon une dimension de l’espace. Quelle que
soit la stratégie suivie, il est très difficile de discerner des structures spectro-spatiales. La réduction des
données spectrales en trois composantes permet d’utiliser la représentation dans l’espace classique des
écrans couleurs (RVB, ...).
La classification des données brutes est difficile car elle est une opération lourde en temps de calcul.
Elle a été développée originellement pour des images couleurs à trois dimensions spectrales (rouge, vert,
bleu) et donc nécessite une adaptation algorithmique aux grandes dimensions. Or, les données peuvent
comporter des redondances d’informations, par exemple s’il existe plusieurs bandes d’absorption carac-
téristiques d’un même corps. La réduction de dimension spectrale est possible sans perte d’information.
Cependant, la malédiction de la dimensionnalité règne sur les données à grandes dimensions. Plus la
dimension est élevée, plus l’espace est vide et plus il est difficile de faire des estimations statistiques
et des classifications. Ce fait, retranscrit dans le domaine de la classification supervisée, est connu sous
le nom de phénomène de Hughes (125) (voir annexe 12.5). Le résultat majeur de cette étude est qu’il
existe une dimension optimale pour la classification. Si la dimension est trop petite, il n’existe pas assez
de différences entre les classes. Si la dimension est trop grande, l’espace est trop vide et il manque des
échantillons d’apprentissage. Cette étude a été effectuée pour deux classes, un échantillon d’apprentis-
sage et un classifieur statistique de type Bayésien.
Les méthodes de réduction de données spectrales que nous allons décrire par la suite sont utilisables
de façon supervisée et/ou non-supervisée. Il s’agit de les appliquer :
1. en utilisant des connaissances préalables, par exemple en utilisant une base de référence (voir
section 2.2). Dans ce cas, on parle de méthode de “réduction supervisée”.
2. sur l’ensemble des données (à l’échelle de l’image entière, voire de la base de données entière) sans
information a priori de nature planétologique. Dans ce cas, on parle de “réduction non-supervisée”.
Toutes les méthodes de réduction peuvent s’appliquer de façon supervisée. Il suffit d’utiliser une base
d’apprentissage représentative des images à réduire, d’appliquer une méthode de réduction sur cette base
d’apprentissage puis, d’utiliser les résultats sur toutes les images.
Certaines méthodes de réduction supervisée nécessitent un opérateur humain, nous les qualifions de
manuelles (voir section 2.1). D’autres sont automatiques (voir section 2.3). Les méthodes de réduction
non-supervisée sont automatiques (voir section 2.4).
Il s’agit ici d’exposer quelques méthodes courantes de réduction de dimensionnalité spectrale, leurs
contraintes mathématiques, leurs adéquations avec la physique du transfert radiatif et leur intégration
dans le schéma d’analyse des images hyperspectrales (voir section 1.4).

38
 2.1. RÉDUCTION MANUELLE : CHOIX DES “LIGNES SPECTRALES” ET RAPPORT DE
BANDE

Canaux Longueurs d’onde Corps

36 1,429 glace CO2
41-43 1,500/1,530 glace H2 O
51 1,644 CO2 gaz
97 2,287 glace CO2
101 2,341 glace CO2
114 2,514 glace H2 O

TAB . 2.1 – Canaux spectraux purs

2.1 Réduction manuelle : choix des “lignes spectrales” et rapport de

bande
La méthode de loin la plus usitée en Astrophysique/Planétologie est celle du choix “manuel” des
“lignes spectrales”. C’est à dire du choix en fonction des connaissances spectroscopiques a priori de
certains canaux spectraux pour lesquels une contribution a été clairement identifiée. Par exemple, pour
OMEGA, le canal à 1,429 microns est dû essentiellement à l’absorption du CO2 solide. Mais, ces canaux
de contribution “pure” ne sont pas toujours disponibles :
– si la résolution spectrale ne le permet pas
– si différents corps en présence comportent des bandes d’absorptions qui se recoupent (ce qui est
plus susceptible d’advenir pour des solides qui ont des bandes larges)
– si ces canaux sont fortement bruités, voire endommagés
– si certains corps sont inattendus
Sur OMEGA, nous pouvons estimer que seuls quelques canaux spectroscopiquement “purs” peuvent être
déterminés, dans l’état des connaissances actuelles (voir tableau 2.1).

La méthodologie traditionnelle adoptée en spectroscopie se focalise sur ces quelques canaux intéres-
sants. Pour s’affranchir des effets du “continuum” et diminuer l’influence des défauts d’étalonnage, la
méthodologie usuelle est de définir la “profondeur de bande”, notée B basée sur un “rapport de bandes”
noté R. Le rapport R est un rapport entre la réflectance au creux d’une bande d’absorption divisée par la
réflectance du continuum si la bande était absente (voir section 1.3.1 page 22). Souvent la valeur de la
réflectance du continuum si la bande était absente est estimée en prenant la valeur du continuum juste à
côté de la bande d’absorption.
Par exemple, pour la bande à 2, 5µm de la glace d’eau, on peut définir les quantités suivantes :
(
R(2,5140µm)
R0H2 O = R(2,2188µm)
(2.1)
BH2 O (2, 5µm) = 1 − R0H2 O

Afin d’améliorer le rapport signal sur bruit, il est possible d’utiliser plusieurs canaux spectraux contigus :
(
R(2,5009µm)+R(2,5140µm)+R(2,5271µm)
RH2 O = R(2,2188µm)+R(2,2324µm)+R(2,2461µm)
(2.2)
BH2 O (2, 5µm) = 1 − (RH2 O )

Nous labélisons “LPG” cette profondeur de bande BH2 O (2, 5µm) dans la suite de notre étude.
Introduisons un autre rapport qui permet de faire une classification exclusive des glaces martiennes :
soit glace de H2 O, soit glace de CO2 . Ce rapport est basé sur une pente dans le spectre, qui est favorable
soit à une glace, soit à l’autre. Il a été utilisé comme méthode de référence pour l’article de Wavanglet
(voir en annexe 13 page 219).
 
R(1, 5004µm) R(1, 7860µm)
RCO2 /H2 O = 1− (2.3)
R(1, 4286µm) R(1, 9973µm)

39
CHAPITRE 2. RÉDUCTION DES DIMENSIONS SPECTRALES

Une autre approche de détection de la glace d’eau, proposée par Langevin et al., se concentre dans
la région à 1, 5µm (172). La glace d’eau peut être détectée par la profondeur de bande BH2 O associée au
ratio RH2 O suivant :
(
R(1,500µm)
RH2 O =
(R(1,385µm))0.7 .(R(1,770µm))0.3 (2.4)
BH2 O (1, 5µm) = 1 − (RH2 O )

Nous allons labéliser “IAS” cette profondeur de bande dans notre étude.
Lors de recouvrement partiel de signatures caractéristiques de corps différents, il est nécessaire de
les séparer. Une approche délicate consiste à appliquer une transformation mathématique ad hoc. Pour
illustrer cette méthodologie, décrivons la méthodologie adoptée par Langevin et al., pour la détection de
la glace de CO2 , observée par OMEGA (172).
Dans le cas où le CO2 n’est pas mélangé avec de la glace d’eau, la profondeur de bande BCO2 pur du CO2
peut être estimée par le ratio RCO2 pur suivant :

R(1,429µm)
(
RCO2 pur = √ √
R(1,385µm). R(1,486µm)

(2.5)
BCO2 pur (1, 43µm) = 1 − RCO2 pur

Dans le cas où la glace d’eau est présente, le spectel R(1, 486µm) est pollué par la glace d’eau, il faut
donc lui substituer un autre. Le spectel R(1, 443µm) contient une faible contribution d’eau, ainsi qu’une
faible contribution de CO2 atmosphérique. Un nouveau ratio RCO2 est proposé. Afin de réduire l’effet de
la glace d’eau et de l’atmosphère, la profondeur de bande BCO2 pur est définie par la relation suivante :

R(1,429µm)
(
RCO2 = √ √
R(1,385µm). R(1,443µm) (2.6)
BCO2 (1, 43µm) = 1, 16 [1 − (RCO2 )]0.96

Cette relation a été calibrée en comparant des zones de glace de CO2 pure à des zones proches de même
altitude comportant à la fois de la glace d’eau et du CO2 , en faisant l’hypothèse que les profondeurs de
bandes BCO2 pur et BCO2 sont identiques.
Les méthodes manuelles de réduction ont trois caractéristiques limitantes importantes :

1. le choix des spectels intéressants ne se fait pas toujours avec des critères explicites et rationnels. Il
n’existe pas de formalisation de ce choix.
2. la focalisation sur seulement quelques canaux occulte potentiellement une partie majeure de l’in-
formation présente dans les autres canaux. Les dangers sont alors multiples : la pollution par un
fort niveau de bruit (spectel chaud) ; le risque d’être tributaire d’une destruction totale d’un spectel
clef (spectel mort) ; l’élimination a priori d’informations intéressantes.
3. la nécessité d’une connaissance a priori des comportements spectraux des corps en présence. Ce
qui est en général possible en utilisant d’autres jeux de données précédemment acquis mais toutes
les informations ne sont pas forcément disponibles, en particulier les spectres de corps purs de
référence.

Pour résoudre ces trois problèmes, des méthodes de réduction de données automatiques ont vu le jour.
Elles sont issues d’une formalisation mathématique de réduction de dimensionnalité, répondant au point
No 1 ci-dessus. Elles s’effectuent en transformant tout l’espace, n’écartant aucun canal, répondant au
point No 2. Les méthodes de sélection de canaux (voir chapitre 2.3.1) sont particulières car elles per-
mettent de sélectionner un nombre restreint de canaux, ne répondant que partiellement au point No 2.
Les méthodes supervisées nécessitent un échantillon d’apprentissage appelé base de référence, qui peut
être d’origine diverse (voir section 2.2). Ces méthodes sont développées dans la section 2.3. Les limita-
tions du point No 3 sont contournées par les méthodes non-supervisées qui ne nécessitent pas de base de
référence, ni d’informations spectrales sur les classes. Elles sont exposées dans la section 2.4.

40
 2.2. BASE DE RÉFÉRENCE

2.2 Base de référence

Le propre de toute méthode automatique supervisée est d’imposer l’usage d’une base de données
d’apprentissage appelée : base de référence. Les bases de références composées d’un seul spectre par
classe sont notées : base spectrale de référence. Les bases comportant plusieurs occurrences de spectre
par classe sont dénommées base de distribution spectrale de référence.
Les bases de références peuvent avoir différentes origines, que nous décrivons successivement dans
les paragraphes suivants : spectres issus de mesures de référence, spectres synthétiques générés par une
modélisation physique, observation munie de données additionnelles, sélection manuelle/automatique
des spectres de références issus de l’observation à classer. Ce dernier type de méthode n’est pas toujours
très satisfaisant pour comparer les classifications de plusieurs observations entre-elles, car la référence
n’est pas commune à toutes les images à classer.
Le choix de la base référence est essentiel dans un processus de classification supervisée, car il s’agit
du socle sur lequel repose la classification. Dans le cas où cette base n’est pas suffisamment bien ajustée à
la situation à classer, le problème de classification d’un point de vue mathématique, est mal posé (18). De
surcroît, l’adéquation entre les résultats d’une classification et la vérité sur le terrain, diminue fortement
si la base n’est pas en accord avec l’observation. Par exemple, si une observation comporte de la glace
d’eau et s’il manque un spectre de référence de glace d’eau, il est impossible d’avoir une classe de glace
d’eau et l’interprétation se trouve donc faussée.
Il existe trois typologies d’objet constituant la base de référence associée à la classe “i” : le spectre
de référence, le spectre de référence extrême (endmember en anglais) et la distribution spectrale de
référence.
Le spectre de référence, noté Mi (λ ), est un spectre représentatif d’une classe de spectre (voir section
[Link]) situé (ou supposé être situé) au centre de la classe, par exemple : la moyenne de la population de
spectres de sa classe.
Le spectre de référence extrême (ou endmember en anglais), noté Ei (λ ), est un spectre de référence
représentatif d’un pixel situé à un extrême de la population de sa classe. Il provient d’une analyse préa-
lable de données observées (voir les sections [Link] et [Link]).
Pour saisir la signification d’un spectre de référence extrême, posons l’hypothèse que tous les spectres
observés S ont une représentation de terrain uniquement en couches granulaires juxtaposées au sein
d’un pixel (voir section [Link] page 31). Ils sont formés d’un mélange géographique subpixel, c’est à
dire d’une combinaison linéaire des spectres Sz de chaque zone “z”, avec un poids de proportion de sur-
face variable. Dans ce cas, le spectre de référence extrême Ei (λ ) est le spectre au sein de la classe où
le spectre Rz (λ ) d’une zone domine. Autrement dit, le spectre où la proportion de surface d’une zone
est la plus dominante. Dans le cas de représentation de surface complexe, la signification du spectre de
référence extrême s’effrite.
La distribution spectrale de référence
n est un objet qui touche o à la variabilité intra-classe. Elle peut être
1 2 Ni
soit une collection de Ni spectres Si (λ ), Si (λ ), ..., Si (λ ) , noté Si (λ ) appartenant tous à la classe i ,
soit une densité de probabilité fi (λ ).

2.2.1 Origine des spectres de références

[Link] Spectres issus de mesures de références

Il s’agit d’une collection de spectres acquis dans un laboratoire ou sur le terrain à l’aide de dispositifs
de mesure. Ces mesures correspondent à des matériaux de surface uniquement, car elles n’incluent pas
la contribution atmosphérique. Ces spectres peuvent être issus de situations d’acquisition différentes :
des réflectances bidirectionnelles (la glace finlandaise mesurée in-situ (239)) ; les mesures effectuées au
LPG grâce au spectro-photo-goniomètre (29) ; des spectres en réflectance à une géométrie donnée (par
exemple en laboratoire (49)). Il existe des bases de données de ces spectres de références disponibles sur

41
CHAPITRE 2. RÉDUCTION DES DIMENSIONS SPECTRALES

Internet à l’USGS (49) ou au LPG 1 . Ces bases de données sont utilisées très couramment en télédétec-
tion.
Cependant, la bidirectionnalité de la réflectance des surfaces est très souvent ignorée, ce qui peut po-
ser des problèmes dans le cas d’observations qui s’éloignent des conditions géométriques d’acquisition.
De plus, l’effet de taille des grains et des mélanges intimes sont souvent aussi ignorés, ce qui pose la
question de validité de la base de référence.
Les spectres de référence sont soit des spectres individuels représentatifs, soit une moyenne sur un
grand nombre de mesures pour augmenter le rapport signal sur bruit. Ils sont assimilés à des spectres de
référence extrêmes. Les distributions spectrales de référence ne sont généralement pas générées par des
mesures de référence car il est difficile de faire varier en laboratoire les paramètres selon des distributions
de probabilités réalistes (géométrie locale, la taille des grains, les proportions de mélanges, le type de
mélange et la représentation de terrain).
Les effets atmosphériques sont complètement négligés car ils ne sont pas incorporés dans la mesure.
Il y a donc deux possibilités : effectuer la classification en incorporant l’effet atmosphérique ou effectuer
la classification sur des observations corrigées des effets atmosphériques.

[Link] Spectres synthétiques

Ensemble de spectres générés à l’aide d’un modèle physique et de jeux de paramètres libres d’entrée
(voir section [Link] page 30) . La donnée de paramètres d’entrée qualitatifs comme la nature chimique
des corps présents, leur texture, leur mode de mélange, la représentation de terrain, permettent de défi-
nir aisément des classes. Les spectres de référence peuvent être soit des spectres représentatifs, soit une
moyenne sur un grand nombre de modélisations pour augmenter la représentativité. Malgré l’avantage,
dans la facilité de production de spectres de référence, de la modélisation par rapport à l’observation , il
n’est pas possible d’estimer correctement des distributions spectrales de référence. En effet, la représen-
tation de terrain, ou les distributions statistiques a priori des valeurs de paramètres quantitatifs (taille des
grains, proportions de mélanges, rugosité de surface), sont en général peu contraintes.

[Link] Observations de référence déjà classifiées

Si la classification est une cartographie de référence déterminée au sol, elle est nommée “vérité
terrain”. Elle peut être établie par des hommes parcourant l’espace au sol, par des robots comme sur
Mars, ou par d’autres instruments embarqués considérés comme des références de confiance. Le spectre
de référence d’une classe peut être choisi comme le spectre moyen ou médian. Il est possible d’établir un
spectre de référence extrême (ou endmember en anglais), en utilisant une méthode manuelle (voir section
3.1) ou automatique (voir section 3.2). Les distributions spectrales de référence sont estimées à partir
de cette classification (266), en particulier dans le cas gaussien (voir le paragraphe 2.2.2). Cependant,
n’oublions pas l’hypothèse forte et nécessaire dans cette approche : la distribution des spectres d’une
classe dans l’image de référence doit être représentative de celle des autres images !

[Link] Spectre de référence issus de l’observation à classer

Sélection manuelle de spectres de référence issus d’observations Issus d’une classification manuelle
préalable (voir section 3.1), le spectre de référence et le spectre de référence extrême sont sélectionnés
dans un espace représentable sur un écran, par exemple après une réduction de dimensionnalité comme
l’ACP (19). Les distributions spectrales de référence peuvent être estimées, par exemple en adoptant
la méthodologie de Bateson (20). Cette dernière étude propose une méthode de détermination d’une
collection de spectres pour une seule classe de référence (voir le paragraphe 2.2.2).
1 Spectroscopy of solid materials of Planetary and Astrophysical interest & Spectroscopy & Physical properties of ices and

molecular solids (en développement) [http ://[Link]/]

42
 2.3. RÉDUCTION AUTOMATIQUE SUPERVISÉE

Sélection automatique de spectres de référence issus d’observation Il existe des algorithmes qui
permettent d’extraire automatiquement des spectres de référence extrême comme “Pixel Purity Index”
PPI (28). Ces méthodes ne fonctionnent que dans un espace de dimension spectrale réduite, d’où la né-
cessité de faire une réduction de dimensionnalité avant d’utiliser ce genre d’algorithme. Les distributions
spectrales de référence aussi peuvent être estimées à partir d’image (266), en particulier dans le cas gaus-
sien (voir le paragraphe 2.2.2). En présence de bruit, surtout de type “outliers”, ces méthodes ne sont pas
très efficaces car la détection d’un spectre de référence extrême n’est que très peu robuste.

2.2.2 Formalisme des distributions spectrales de référence

Chaque spectre de référence associé à une classe i est un vecteur Si (λ ).
Les distributions spectrales de référence sont des distributions statistiques. Elles peuvent être définies
de deux manières : de façon brute comme Ni occurrences
n du vecteur aléatoire
o Si (λ ), spectre de la classe
1 2 Ni
“i”. Cette collection de spectres de référence Si (λ ), Si (λ ), ..., Si (λ ) , produite par toutes les métho-
dologies d’obtention de spectre de référence exposées précédemment, forme une réalisation du vecteur
aléatoire “spectre de la classe i” de densité de probabilité fi (λ ). De façon plus élaborée, la description
des distributions spectrales de référence peut être directement en terme de densité de probabilité fi (λ ).
Dans ce cas, ce n’est plus une collection de spectres qui définit la classe, mais directement une fonction
de densité de probabilité. Ces densités de probabilité sont décrites par des fonctions “paramétriques”,
comme par exemple la gaussienne à deux paramètres (moyenne et écart-type). Le type de fonction -
gaussienne, khi, gamma, ... - est déterminé de façon a priori car actuellement, il n’existe aucun cadre
théorique qui permette de la choisir rationnellement. Généralement, les paramètres associés sont ajustés
à la collection d’occurrences mais parfois ils sont simplement posés sans raisons physiques. Des descrip-
tions non-paramétriques des distributions sont aussi possibles. Bien que plus générales, elles sont peu
utilisées car plus complexes.

2.3 Réduction automatique supervisée

La réduction de dimensionnalité supervisée pour la classification est une problématique fondamen-
tale en sciences cognitives et pour l’intelligence artificielle. Un bilan de ces méthodes dans le domaine
des sciences cognitives est donnée par Kohavi et John (157). L’explosion de l’informatique et des techno-
logies numériques produit des données en grande dimension de nature diverse. Actuellement, la réduction
de dimensionnalité concerne donc une multitude de domaines.
La réduction automatique supervisée, aussi appelée “wrappers” (179), nécessite un ensemble d’ap-
prentissage ou base de référence (voir chapitre 2.2). Il s’agit de réduire la dimensionnalité des données
dans un sous-espace qui permet la meilleure classification possible.
La réduction de données automatiques est le siège du paradoxe de Cover (55; 284) qui s’exprime
comme tel :
Soit deux classes dans un espace à Nλ dimensions. Soit N1 , le meilleur canal pour identifier la classe 1 et
N2 , le meilleur canal pour identifier la classe 2. Les deux meilleurs canaux pour distinguer la classe 1 et 2
ne sont pas forcément la paire formée de N1 et N2 . Ils peuvent même être les pires lors de la classification
des deux classes simultanées !
Ce qui implique de tester toutes les combinaisons possibles ou d’utiliser un algorithme qui permette de
converger vers l’optimum. Le nombre de choix possibles de k canaux parmi les Nλ disponibles est :
Nλ !/(k!(Nλ − k)!). Par exemple, pour 10 canaux parmi 256, il existe 2, 78845.1017 possibilités ! Mais il
existe aussi un nombre k optimum. Il faut donc tester un nombre de possibilité énorme.
Certaines méthodes choisissent simplement un ensemble de canaux existant pour effectuer la classi-
fication (sélection de canaux, “band selection” en anglais), tandis que d’autres appliquent des opérations
mathématiques sur les canaux pour créer le meilleur espace pour la classification. Les nouveaux canaux
construits sont désignés sous le nom de “features” en anglais. La meilleure sélection est celle qui permet
d’avoir des distances entre les distributions des classes dans les canaux/features les plus élevés possibles,

43
CHAPITRE 2. RÉDUCTION DES DIMENSIONS SPECTRALES

tout en gardant le minimum de canaux/features ! En principe, il faut tester toutes les combinaisons de
canaux/features possibles, ce qui est très long au vue des possibilités, mais plusieurs méthodes, souvent
sans fondement théorique, permettent de faire une sélection en s’approchant d’un optimum.
Si les “features” (nouveaux canaux construits) sont issus d’une combinaison linéaire des anciens
canaux, et si les canaux sont indépendants entre-eux, alors l’application du théorème central limite
montre que la densité de probabilité des données dans l’espace réduit tend vers une gaussienne (voir
annexe [Link] page 211). Cette propriété justifie l’utilisation des classifieurs déterministes et des clas-
sifieurs statistiques d’ordre 1 et 2, à la suite d’une telle réduction de dimensionnalité.

2.3.1 Sélection de canaux

Faisons l’hypothèse que les canaux discriminant le mieux les classes, sont ceux pour lesquels la
redondance d’information est la plus faible. La non-redondance d’information, dans le cas de spectre
de référence ou de spectre de référence extrême peut être estimée simplement par une distance. Dans
un canal donné, plus la distance entre spectres est grande, plus ils sont dissemblables. On peut mesurer
la dissemblance dans un paradigme statistique avec des distances entre distributions comme la distance
de Mahalonobis, de Jeffries-Matusita (129), ou encore la divergence de Kullback-Liebler (voir annexe
12.4.5).
L’information est une quantité mesurée sur une distribution, ce type de méthode requiert donc une
base de distribution spectrale de référence.
Nous allons très succinctement présenter trois types de méthodes de sélection de canaux : une mé-
thode manuelle, la méthode de Stearns et une méthode utilisant le classifieur SVM. Ces méthodes de
sélection de canaux ne sont pas très utilisées car elles produisent un sous-espace plus bruité que les mé-
thodes avec une transformation de l’espace. De plus, elles sont moins efficaces car elles ne cumulent pas
l’information redondante.

Nécessitant un utilisateur Certaines méthodes permettent de faire une sélection de canaux spectraux
sur des critères manuels basés sur une distance de distribution (129). Un calcul de distance au sens des
distributions est effectué pour toutes les combinaisons possibles de 4 canaux parmi Nλ . Les résultats sont
présentés sous forme d’histogramme du nombre de fois qu’un canal est choisi. Une inspection visuelle
de ces histogrammes permet d’extraire les canaux les plus intéressants.
D’autres méthodes, basées sur l’information mutuelle permettent d’effectuer cette sélection de canaux
spectraux (100).

Méthode de Stearns Proposée par Stearns (284), cette méthode est appelée “(m, n) feature selection”.
Elle permet de choisir les canaux les plus intéressants sans choisir parmi toutes les combinaisons pos-
sibles en adoptant une sélection récursive.

SVM-Recursive Feature Elimination Certains auteurs ont proposé une série qui permet d’utiliser un
classifieur SVM (voir paragraphe [Link]), couplé à une méthodologie heuristique qui sélectionne les
meilleurs features (101).

2.3.2 Méthode de Fisher : AFD

L’analyse discriminante linéaire de Fisher (77), développée pour des problèmes particuliers de classi-
fication taxonomique a vu sa première application dans la différenciation des iris. Cette méthode, parfois
aussi appelée : Analyse Factorielle Discriminante (AFD) est très populaire aux vues de sa simplicité et
de sa facilité d’utilisation. Une présentation en est faite notamment dans le livre de Sapora (259). Cette
méthode supervisée permet de trouver la meilleure transformation linéaire qui, à la fois, sépare au mieux
les classes entre elles et aussi regroupe au maximum les individus au sein d’une même classe. L’idée est
de maximiser les variances inter-classes et de minimiser les variances intra-classes.

44
 2.3. RÉDUCTION AUTOMATIQUE SUPERVISÉE

Les variances intra-classes ne sont estimables que si l’échantillon de référence est du type : base
de distribution spectrale de référence. Soit une base de distribution spectrale de référence qui est un
ensemble de spectres agencés sous forme de matrice Sλ ,z . Chacun des spectres appartient une des Ns
classe i. Notons Siλ ,z , l’ensemble des Nzi spectres de la classe i, agencé sous forme de matrice.
La matrice de l’estimateur de la covariance intra-classe C dov(Si )λ ,λ 0 s’écrit de la façon suivante, avec
S̄iλ ,z les données centrées des spectres de la classe i (voir annexe 12.4 page 205) :


T
S̄iλ ,z . S̄iλ ,z
C ov(Si )λ ,λ 0 =
d (2.7)
Nzi − 1

Soit hS
d i iλ , l’estimateur du spectre moyen de la classe “i”. Agençons sous forme de matrice hSi iλ = hSiλ ,i .
d
D E
On peut calculer le spectre moyen global hSiλ ,i = hhSiiλ sur tous les spectres moyens de classe. De
la même manière, la matrice de l’estimateur de covariance inter-classe s’écrit de la façon suivante, avec
hSiλ ,i les données de chaque classe i, centrées sur le spectre moyen global :
   T
hSiλ ,i . hSiλ ,i
C
d ov(hSi)λ ,λ 0 = (2.8)
Ns − 1

L’estimateur de la covariance C
d ov(S)λ ,λ 0 du vecteur aléatoire S s’écrit :

Ns
C
d ov(S)λ ,λ 0 = C
d ov(hSi)λ ,λ 0 + ∑ C
d ov(Si )λ ,λ 0 (2.9)
i=1

La variance portée par un axe quelconque, de vecteur unitaire u est :

Ns
uT .C
d ov(S)λ ,λ 0 .u = uT .C
d ov(hSi)λ ,λ 0 .u + ∑ uT .C
d ov(Si )λ ,λ 0 .u (2.10)
i=1

L’AFD revient à déterminer u tel que les variances intraclasses soient nulles uT .C d ov(Si )λ ,λ 0 .u = 0.
C’est à dire que la variance totale soit portée au maximum par la variance inter-classe. L’AFD consiste à
maximiser la fonction f (u) suivante :

uT .C
d ov(hSi)λ ,λ 0 .u
f (u) = (2.11)
u .C
T d ov(S)λ ,λ 0 .u
En utilisant les multiplicateurs de Lagrange, il est possible de montrer que la solution est :

C
d ov(S)−1
λ ,λ 0 .C ov(hSi)λ ,λ 0 .u = Λ.u
d (2.12)

L’axe porté par u est donc une direction propre de matrice Cdov(S)−1
λ ,λ 0 .C ov(hSi)λ ,λ . Il suffit donc de
d 0

diagonaliser cette matrice, toujours diagonalisable car composition de deux matrices diagonalisables.
L’AFD revient à une ACP sur le nuage de points entier avec une métrique de Mahalanobis.
La méthode de classification associée généralement à l’AFD est très simple. Un spectre quelconque
est attribué à la classe i du spectre moyen hSi iλ , le plus proche au sens de la norme L2 . Dans cette
configuration, cette méthode est optimale pour traiter un problème de classification supervisée avec des
distributions normales ayant des moyennes différentes mais des matrices de covariances égales.

2.3.3 Méthodes utilisant la transformée en ondelette

La “transformée en ondelette” est une transformée temps-fréquence qui permet de décomposer le si-
gnal sur des fonctions concentrées à la fois à une position et une échelle donnée. L’ annexe 12.3 page 204
présente plus en détail la transformée en ondelette. En général, ce type de transformation est plus adapté

45
CHAPITRE 2. RÉDUCTION DES DIMENSIONS SPECTRALES

qu’une sélection dans l’espace usuel ou dans l’espace de Fourier, car les spectres comportent des struc-
tures d’intérêt - les bandes d’absorption - qui ont une position et une largeur particulières (voir sec-
tion 1.3.1 page 22). De plus, la superposition de bandes est possible. Les ondelettes sont adaptées aux
données spectrales car elles permettent d’extraire des informations, à la fois, sur la position des bandes
d’absorption (position du centre) et sur leur échelle (largeur de bande). Dans le cas d’une superposition
de bandes d’échelle ou position différentes, la transformée permet aussi leur séparation.
Il existe plusieurs types de transformées en ondelette : continue (Morlet, ...) ou discrète (Haar, ...).
Elles sont plus rapides que les convolutions (34). Cependant, la transformée en ondelette de Debauchie
est la plus intéressante et certainement la plus utilisée car elle permet d’avoir une base : toutes les onde-
lettes sont orthogonales entre-elles. Il s’agit donc d’une rotation de l’espace de la base canonique vers
une autre base orthonormale !
Les avantages de la base sont aussi quelques fois un inconvénient. Certaines méthodes, comme l’ACP,
donnent des résultats similaires indépendamment d’une rotation sur les données initiales. Effectuer une
transformation de Debauchie (sans sélection d’un sous espace d’ondelettes), avant l’application d’une
méthode de ce type, n’apporte donc rien de plus.
Voici deux méthodes qui utilisent la transformée en ondelette dans le cadre de la réduction de dimen-
sionnalité automatique supervisée :

Local discriminant Base Le but de cette méthode est de garder les ondelettes les plus intéressantes
pour classer notre signal en créant une base orthonormale qui maximise la discrimination pour une base
de distribution spectrale de référence. Le nombre de possibilités de sous espace d’ondelettes à tester est
énorme et revient au même pour les algorithmes de “band selection” (voir 2.3.1 page 44). Saito (258)
propose une solution rapide optimale qui nécessite une mesure de la distance interclasse additive, par
exemple : la distance euclidienne usuelle, l’entropie croisée ou encore l’entropie croisée symétrisée. Une
version, tenant compte d’une estimation empirique de la densité de probabilité a priori, a été produite
(257).

Sélection utilisant une base de distribution spectrale gaussienne Une étude (285) propose l’hypo-
thèse de la densité de probabilité gaussienne à chaque spectre de référence. Tous les spectres sont donc
définis comme une moyenne et un écart-type en fonction de la longueur d’onde. Il s’agit de trouver le
sous-espace d’ondelettes qui discrimine au mieux les spectres. La solution impliquant juste deux classes
est analytique. Il reste plusieurs choix pour déterminer le sous-espace, quand l’ensemble des classes doit
être pris en compte : union des solutions deux à deux, la meilleure moyenne des solutions deux à deux,
une solution suboptimale itérative, solution complète souvent incalculable.

2.3.4 Méthodes à noyau

Les méthodes à noyau consistent en une transformation non-linéaire suivie d’une méthode de clas-
sification. La transformation non-linéaire préalable est choisie de telle manière à ce que le problème de
classification soit plus simple dans le nouvel espace. Un compte rendu de ce type de méthode en ima-
gerie hyperspectrale est donné dans l’article de Camps-Valls et al. (40). En pratique, les transformations
non-linéaires qui pourraient faciliter la classification, sont difficilement contraintes par la physique du
transfert radiatif.

2.3.5 Assemblage de méthodes successives

Toutes ces méthodes de réductions supervisées peuvent être mises en réseau. Ainsi, des chaînes de
traitements plus ou moins complexes sont possibles. Citons par exemple une étude qui cumule sélection
manuelle et automatique : Koger et al. proposent d’effectuer une sélection manuelle de 10 canaux les plus
discriminants sur 2151 initialement (156). Ces 10 canaux sont suivis d’une AFD pour encore réduire la
dimensionnalité !

46
 2.4. RÉDUCTION AUTOMATIQUE NON-SUPERVISÉE

La complexification de ces méthodes de réduction de dimensionnalité permet en général d’augmen-

ter la qualité de la classification. Cependant, si aucune justification par des phénomènes physiques ne
vient l’appuyer, la complexification peut être un moyen de s’approcher d’une solution valable pour un
échantillon d’apprentissage particulier, mais pas dans un cadre général du problème de télédétection.
Une certaine universalité des méthodes est pourtant nécessaire pour leur application aux jeux de données
réelles. Les conditions atmosphériques ou d’acquisition (directions d’éclairement et d’observation) sont
nécessairement différentes d’une observation à l’autre.

2.4 Réduction automatique non-supervisée

Une réduction automatique non-supervisée ne nécessite pas de base de donnée d’apprentissage et
s’applique donc directement aux données ! Ce type de méthode est appelé “filters” (179). Il s’agit de ré-
duire la dimensionnalité des données dans un sous-espace tout en conservant le maximum d’information.
Il n’y a pas d’optimisation de ce sous-espace spécifiquement pour la classification.

2.4.1 Élimination du continuum

Cette méthode n’est pas une méthode de réduction de dimensionnalité car elle ne réduit pas la dimen-
sion du spectre. Néanmoins, c’est une transformation qui permet de réduire l’effet du continuum dans la
classification. En effet, le continuum est contrôlé par la géométrie d’acquisition, la quantité et la qualité
des diffuseurs et le niveau moyen d’absorption (voir section 1.3.1 page 22). En général, l’utilisateur ne
s’intéresse pas à ces paramètres lors de la classification, il peut donc être judicieux d’appliquer ce type
de méthode sur le spectre.
Il existe plusieurs types de méthodes. Citons simplement celle qui est disponible sous l’environne-
ment IDL/ENVI : “Continuum Removal” qui ajuste une enveloppe convexe au dessus du spectre en se
basant sur des points d’appui et des portions linéaires entre ces points d’appui (1; 48). Il s’agit donc
d’appliquer une transformation non-linéaire spécifique pour chaque spectre de l’image et de la base de
référence.

2.4.2 ACP : Analyse en composante principale

Cette méthode est très ancienne. Ses objectifs sont l’élimination du bruit et la réduction de données,
voire la classification. Une présentation plus détaillée se trouve dans le livre de Sapora (259).

Définition et propriétés Soit la matrice du cube hyperspectral aplatie Cλ ,z de Nλ lignes et Nz colonnes.

L’ACP spectrale considère l’indice z comme un index d’occurrence du vecteur aléatoire des spectres
S. La cohérence spatiale est entièrement ignorée : intervertir l’ordre des spectres ne changerait pas le
résultat !
L’ACP consiste à modéliser le spectre observé S(λ ), par une relation linéaire à Np composantes
principales Pi , axes de mélange Ai (λ ) ainsi que du bruit B(λ ). La quantité Pi est une variable aléatoire
et B est un vecteur aléatoire. La relation linéaire peut s’écrire sous la forme :
Np
S(λ ) = ∑ Ai (λ ).Pi + B(λ ) (2.13)
i=1

La spécificité de l’ACP est de supposer que les composantes principales Pi sont non corrélées entre
elles. Cette hypothèse est suffisante pour déterminer Pi et Ai (λ ) . Notons que Np et B(λ ) sont liés et qu’il
n’existe pas de méthodologie convaincante pour les déterminer.
En écriture matricielle pour tout le cube hyperspectral, avec “i” comme l’index des composantes
principales, la relation devient :

Cλ ,z = Aλ ,i .Pi,z + Bλ ,z ∼ Aλ ,i .Pi,z (2.14)

47
CHAPITRE 2. RÉDUCTION DES DIMENSIONS SPECTRALES

Au maximum le nombre de composantes principales est Np = Nλ . Dans ce cas, il est possible de

remplacer l’indice “i” par l’indice “λ ”.
L’analyse en composante principale consiste à chercher la transformation A−1
λ ,λ 0 tel que :
(
A−1 −1
λ ,λ 0 .Cλ ,z = Aλ ,λ 0 .Aλ ,λ ” .Pλ ”,z = Pλ ,z
0 0
(2.15)
C ov(P)λ ,λ 0 = diag
d

La contrainte de covariance nulle pour les termes non-diagonaux implique que les différentes va-
riables aléatoires Pi sont non corrélées (voir annexe mathématique [Link] page 209)
L’estimateur de la moyenne hSic du vecteur aléatoire S(λ ) s’écrit (voir annexe mathématique 12.4.4
λ
page 212) :
Nz
Cλ ,z 1
hSi
c =
λ ∑ = Cλ ,z .1Nz (2.16)
z=1 Nz Nz

L’estimateur de la covariance C
d ov(S)λ ,λ 0 du vecteur aléatoire S s’écrit :

c .1T ).(C 0 − hSi

(Cλ ,z − hSi c 0 .1T )T
λ Nz λ ,z Nz
C
λ
d ov(S)λ ,λ 0 = (2.17)
Nz − 1
Sur ces termes diagonaux :
Nz c )2
(Cλ ,z − hSi
C
d ov(S)λ ,λ 0 = Vd
ar(S)λ = ∑ Nz − 1 λ (2.18)
z=1

La matrice de variance/covariance est carrée et symétrique, elle est donc diagonalisable. On peut
donc écrire :
Cdov(S)λ 000 ,λ = Uλ 000 ,λ ” .Λλ ”,λ 0 .UTλ 0 ,λ (2.19)
Avec la matrice diagonale Λ que l’on classe par ordre décroissant des Nλ valeurs propres. La matrice
U est la matrice de passage, elle contient Nλ vecteurs propres positionnés lignes par lignes. Ils sont tous
orthogonaux entre eux, on a donc la relation suivante [Link] = INλ , avec INλ la matrice identité.
Soit le vecteur aléatoire S̄ définit par S̄ = UT .S. La matrice des occurrences de S̄ est la suivante :

C̄λ 0 ,z = UTλ 0 ,λ .Cλ ,z (2.20)

Nz UTλ ,λ 0 .Cλ 0 ,z 1 T
S̄ λ =
d
∑ = U 0 .C .1N = UTλ 0 ,λ .hSi
c (2.21)
z=1 Nz Nz λ ,λ λ ,z z λ

UTλ 000 ,λ ” .(Cλ ”,z − hSi

c .1T ).(C 0 − hSi
λ ” Nz λ ,z
c 0 .1T )T U 0
λ Nz λ ,λ
C
d ov(S̄)λ 000 ,λ = (2.22)
Nλ − 1
C
d ov(S̄)λ 000 ,λ = UTλ 000 ,λ ” .C
d ov(S)λ ”,λ 0 .Uλ 0 ,λ = Λλ 000 ,λ (2.23)
Ainsi, l’opération S̄ = UT .S satisfait aux exigences de l’équation de l’ACP (voir équation 2.15) et
A−1 = UT ou encore A = U.
Récapitulons les propriétés de l’ACP. Il s’agit d’une transformation linéaire d’un vecteur aléatoire S
en un vecteur aléatoire P = UT .S. Cette transformation est une rotation de l’espace RNλ , car U−1 = UT .
C’est donc une isométrie qui conserve la norme L2 usuelle.
L’ACP est indépendante à une isométrie près.
Appliquons, une isométrie V au vecteur aléatoire S. Le nouveau vecteur aléatoire s’écrit S0 = VT .S.
Reprenons les étapes de l’ACP pour S0 . La matrice de covariance s’écrit maintenant :

C
d ov(S0 ) = VT .C
d ov(S).V (2.24)

48
 2.4. RÉDUCTION AUTOMATIQUE NON-SUPERVISÉE

Il est possible de la diagonaliser :

C
d ov(S0 ) = WT .Λ.W (2.25)
La diagonalisation est identique à la précédente (voir équation 2.19) car VT = V−1 , d’où WT = VT U
Dans la nouvelle base, elle s’écrit bien :

C
d ov(S̄0 ) = W.C
d ov(S0 ).WT = Λ (2.26)

Dans ce cas, le nouveau vecteur aléatoire de l’ACP s’écrit P = W.S0 = UT .V.S0 = UT .S.
La rotation dans les axes propres de l’ACP étant une isométrie, il est donc inutile d’opérer deux ACP
successives. De la même manière, l’application d’une transformée en ondelette isométrique (Debauchie)
préalable à une ACP n’a pas d’effet. Les nouvelles variables aléatoires Pi sont décorrélées et sont portées
par des axes orthogonaux (les directions propres de la matrice de covariance).
Les Nλ valeurs propres de la matrice Λ correspondent aux variances des Nλ variables aléatoires Pi .
Il existe deux ACP. Celle présentée ici, sur les données observées, consiste en la diagonalisation de
la matrice de covariance. La seconde s’intéresse aux données blanchies, c’est à dire normalisées pour
que toutes les variances soient égales à 1 dans l’espace de départ. Il s’agit alors de la diagonalisation de
la matrice de corrélation.
Parfois, l’ACP est aussi présentée par une Décomposition en Valeur Singulière (SVD pour “Sin-
gular Decomposition Value” en Anglais). On présente alors la relation matricielle sous la forme A =
U.Λ1/2 .VT avec UT .U = [Link] = I et VT .V = [Link] = I . C’est aussi la transformation de Karhunen-
Loeve (259).
L’ACP en présentation géométrique, se résumerait à ajuster un ellipsoïde à Nλ dimension à la popu-
lation de spectres, au sens de la norme L2 dans l’espace des données RNλ . Chaque axe propre est un axe
propre de l’ellipsoïde.
Une présentation probabiliste consiste à prétendre que l’ACP est un ajustement d’une densité de
probabilité gaussienne aux données et de ce fait, ignorant les moments d’ordres supérieurs à 2.

Filtrage du bruit Si le bruit est gaussien, indépendant du signal et de variance plus faible que le signal,
il est possible de séparer le signal du bruit en appliquant un seuil sur les valeurs propres. Il existe deux
stratégies.
La première consiste à forcer le nombre de variables aléatoires Np . Cette approche peut être conduite si
la dimension de l’espace réduit est contraint par des considérations extérieures. Par exemple la représen-
tation dans un “scatterplot” impose deux dimensions (voir section 3.1.1 page 61).
La seconde consiste à éliminer les variables aléatoires Pi ayant des variances plus faibles qu’un seuil. La
distinction entre sous-espace signal et sous-espace bruit peut s’écrire comme la somme suivante, avec
1 ≤ i ≤ Np comme indice de l’espace signal et Np + 1 ≤ j ≤ Nλ comme indice de l’espace bruit :

Cλ ,z = Aλ ,i .Pi,z + Aλ ,j .Pj,z (2.27)

En pratique, on néglige le deuxième terme de la somme (le sous-espace bruit). Il n’est donc pas
nécessaire de calculer les projections dans l’espace bruit !

ACP itérative “ACP itérative” : Il est possible d’écrire l’ACP pour l’appliquer de façon itérative (voir
(259)). En écrivant l’opération de centrage des données comme :
 
T 1 T 1 T
Čλ ,z = Cλ ,z − hSiλ .1Nz = Cλ ,z − Cλ ,z .1Nz .1Nz = Cλ ,z INz − 1Nz .1Nz
c (2.28)
Nz Nz

Introduisant Oz0 ,z = INz − N1z 1Nz .1TNz , on peut donc écrire la relation suivante :

Čλ ,z = Cλ ,z0 .Oz0 ,z (2.29)

49
CHAPITRE 2. RÉDUCTION DES DIMENSIONS SPECTRALES

On peut montrer que la matrice Oz0 ,z a la propriété suivante :

1
Oz,z0 .OTz0 ,z” = INz − 1N .1T = Oz,z” (2.30)
Nz z Nz
La matrice de variance/covariance devient :
  
1 1 1 T
C
d ov(S)λ ,λ 0 = T
Č .Č 0 = T
Cλ ,z .Cz,λ 0 − Nz .hSiλ .Nz .hSiλ 0
c c (2.31)
(Nz − 1) λ ,z z,λ (Nz − 1) Nz

Les deux matrices Cλ ,z .CTz,λ 0 et Nz .hSi c T 0 peuvent être calculées itérativement en ajoutant spectre
c .Nz .hSi
λ λ
par spectre pour compléter la dimension z de Cλ ,z .
Pour le premier facteur matriciel, la matrice Cλ ,z peut être scindée en deux pour tout Nz0 avec 1 < Nz0 < Nz
et la relation matricielle devient :

Nz Nz0 Nz
Cλ ,z .CTz,λ 0 = ∑ Cλ ,z .CTz,λ 0 = ∑ Cλ ,z .CTz,λ 0 + ∑ Cλ ,z0 .CTz0 ,λ 0 (2.32)
z=1 z=1 z0 =Nz0

En répétant cette opération de fractionnement autant de fois que nécessaire, il est possible de calculer la
matrice pour n’importe quel jeu de données.
Pour le second facteur matriciel, composé de l’estimateur de la moyenne hSi c (équation 2.16), il suffit
λ
d’ajouter les deux parties de la matrice Cλ ,z pour tout Nz0 avec 1 < Nz0 < Nz et la moyenne matricielle
devient :
Nz0
!
Nz Nz
Nz .hSi
c =
λ ∑ Cλ ,z = ∑ Cλ ,z + ∑ Cλ ,z0 (2.33)
z=1 z=1 z0 =Nz0

Le nombre de Nz est mis à jour itérativement et la division se fait à la fin.

Interprétation physique Résumons les hypothèses mathématiques sur le signal :

1. Le signal est un mélange linéaire de composantes principales et d’un bruit gaussien.
2. Les composantes principales sont non corrélées entre elles.
3. Le bruit gaussien est de plus faible variance que le signal.
Dans le cadre de l’analyse des données OMEGA, ces trois hypothèses sont en pratique non valides :
– Le signal est un mélange non-linéaire de sources (mélange intime optique et intime chimique) et le
bruit des détecteurs peut être non-gaussien. Les composantes principales ne peuvent pas être des
sources.
– Les sources peuvent être corrélées entre elles. Par exemple, la présence de glace de CO2 , piège
froid atmosphérique, entraîne une condensation de glace d’eau associée. Les composantes princi-
pales ne sont donc pas des sources.
– Le bruit gaussien est en général de plus faible variance que celle du signal moyen. Cependant,
certaines bandes spectrales, notamment du CO2 solide, sont très peu absorbantes et pourtant, elles
sont porteuses d’informations très intéressantes. Elles peuvent avoir une variance plus faible que
dans certains canaux très bruités.
Néanmoins, il est possible d’utiliser et d’interpréter les résultats issus de l’ACP dans le cadre de l’ima-
gerie hyperspectrale. L’interprétation peut être poussée plus ou moins loin :
– Interprétation faible : L’ACP compare tous les spectres observés au spectre moyen. Les compo-
santes principales sont portées par les axes propres. Au fur et à mesure que la valeur propre décroît,
l’écart au spectre moyen est de moins en moins fort sur l’axe propre. Ces axes correspondent à des
tendances spectrales présentes dans l’image. Dans le cadre de la réduction de données, il n’est pas
forcément nécessaire d’avoir une interprétation physique des composantes principales. Il suffit de
représenter le nuage de points dans un espace à plus faible dimension, ce que réalise l’ACP. Les

50
 2.4. RÉDUCTION AUTOMATIQUE NON-SUPERVISÉE

hypothèses 1 et 2, ci-dessus, sont donc totalement ignorées pour la réduction de dimensionnalité.

Par contre, dans un cadre de séparation de source, l’ACP n’est pas une méthode satisfaisante (voir
section 5.3.2).
Les axes portants le plus de variance sont considérés comme les plus intéressants. Les axes por-
tant le moins de variance sont les axes comportant du bruit. Cette interprétation est suffisante
pour la réduction de données, puisqu’il suffit dans ce cas d’éliminer les axes de faibles variances.
En pratique, pour les observations OMEGA, certains spectels sont très bruités et leur niveau de
bruit dépasse largement la variance des petites structures spectrales très intéressantes. Dans le
cadre des images hyperspectrales, la variance n’est donc pas un critère suffisant pour discriminer
l’information intéressante du bruit. Une façon de résoudre ce problème est d’éliminer le bruit “ma-
nuellement”, en retirant de l’analyse les spectels les plus bruités que l’on considère comme sans
information.
– Interprétation forte : En plus de l’interprétation faible, il existe une interprétation plus forte qui
consiste en l’attribution d’un ou plusieurs paramètres physiques à chaque composante principale
parmi l’albédo, l’angle d’incidence, la composition, la granulométrie, etc .... Certains paramètres
étant reliés théoriquement, par exemple l’albédo, la composition et la granulométrie, il est impos-
sible de les séparer. En pratique, cette attribution est très difficile car le problème physique est
non-linéaire et les hypothèses 1 et 2 sont clairement violées. Il est néanmoins possible d’observer
des tendances en comparant avec d’autres analyses de l’image. Ces interprétations ad hoc peuvent
être utiles lors d’une classification manuelle (voir section 3.1 page 61). Cependant, l’expérience
montre qu’aucun des axes n’est vraiment clairement interprétable en terme de paramètre physique.
Les composantes principales ne sont pas des sources !
L’ACP est un mauvais candidat pour une classification automatique non-supervisée car il ne per-
met pas d’extraire automatiquement des classes et/ou spectres de référence !
Une propriété intéressante de l’ACP est qu’elle est complètement non supervisée. Le seul paramètre à
connaître est le nombre de composantes principales ou de manière équivalente la précision de la recons-
truction. Une autre propriété intéressante est la possibilité d’un calcul itératif. Ce qui en fait en pratique,
un outil intéressant pour la réduction d’une image individuelle mais aussi pour la réduction cohérente
d’une suite d’images.
L’ACP a été utilisée sur les données OMEGA pour effectuer des classifications de la calotte polaire
permanente sud de Mars (64) et de la calotte saisonnière nord de Mars (263).

2.4.3 MNF : Minimum Noise Fraction

La méthode MNF (98) consiste en trois étapes : une ACP à interprétation faible, suivie d’une élimi-
nation de bruit pour finir avec une ACP à interprétation faible ou forte.
1. ACP à interprétation faible : Il s’agit simplement d’estimer le sous espace bruit pour se focaliser
sur le signal. C’est une réduction de dimensionnalité des données.
2. Élimination de bruit : Avec un critère sur la variance expliquée, ou sur le nombre de source, il est
possible d’éliminer le bruit estimé.
3. ACP à interprétation faible ou forte : Dans un cas idéal, la seconde ACP s’effectue sur des données
non-bruitées comportant toute l’information utile. Il s’agit à ce moment d’interpréter de façon
faible ou forte le résultat de la nouvelle ACP (voir section précédente).
La succession des deux ACP ne donne pas le même résultat qu’une seule ACP car l’étape de filtrage du
bruit est une opération non-linéaire de perte d’informations. Ainsi, les axes de la deuxième MNF sont
sensiblement différents de ceux de la première car ils ne sont plus pollués par le bruit.
En pratique, pour les données OMEGA, la MNF offre de meilleurs résultats. Mais pour les raisons
discutées précédemment (voir paragraphe sur l’interprétation forte de l’ACP dans la section précédente),
la MNF n’est pas une méthode adaptée au problème de séparation de sources sur les images hyper-
spectrales. L’ACP est un mauvais candidat pour une classification automatique non-supervisée car il ne
permet pas d’extraire automatiquement des classes et/ou spectres de référence !

51
CHAPITRE 2. RÉDUCTION DES DIMENSIONS SPECTRALES

2.4.4 ACI : Analyse en composante indépendante

Présentation générale des méthodes L’ACI (170; 127) est une méthode plus récente qui corrige une
limitation importante de l’ACP en cas d’interprétation forte : l’orthogonalité des axes. Dans le cadre de
l’ACI, les axes sont toujours linéaires mais une opération de rotation s’effectue individuellement pour
chaque axe, afin d’obtenir un maximum de dispersion des données.
L’idée majeure est de trouver les axes portant une distribution la moins gaussienne possible. En effet,
d’après le théorème central limite, la distribution gaussienne est la distribution limite quand on mé-
lange linéairement une grande quantité de variables aléatoires indépendantes quelles que soient leurs
densités de distributions propres (si les distributions ont des moyennes et écart-type convergents) (voir
annexe [Link] page 210). Ceci indique que plus un axe porte une distribution non-gaussienne, plus il a
la chance de s’approcher d’une seule source “pure” indépendante.
Le vecteur aléatoire des spectres S(λ ) est décomposé en Np variables aléatoires des composantes
indépendantes Pi :

Np
S(λ ) = ∑ Ai (λ ).Pi + B(λ ) (2.34)
i=1

S(λ ) : vecteur aléatoire des spectres (dans l’unité choisie)

Ai (λ ) : i-ème ligne de la matrice de mélanges qui forme l’axe portant la source “i”
Pi : variable aléatoire de la source “i”
B(λ ) : vecteur aléatoire de bruit. Le bruit est supposé en général comme gaussien.
En écriture matricielle pour tout le cube hyperspectral, avec “i” comme l’index des sources, la relation
devient :
Cλ ,z = Aλ ,i .Pi,z + Bλ ,z (2.35)

L’ACI est développée plus en détail dans le chapitre consacré à la séparation de source en aveugle
(voir chapitre 5 page 91). Les aptitudes de cette méthode dépassent largement la réduction de dimension-
nalité.

2.4.5 PP : “Projection pursuit”

La poursuite de projection ou “projection poursuit” (PP) est la vision plus générale des méthodes
précédentes (186). Elle a été développée par Friedman et Tuckey en 1974 (90). Il s’agit de déterminer
le sous espace utile de dimension réduite, en projetant les données sur des axes choisis itérativement.
Le choix se fait par maximisation d’une fonction coût appelée “indice de projection”. Cet indice de pro-
jection est déterminé a priori par l’utilisateur (variance élevée, non-gaussianité,...). L’axe est choisi s’il
porte un optimum de l’indice de projection.
En ce sens, la poursuite de projection permet de généraliser la méthode d’ACP (variance élevée), ICA
(non-gaussianité élevée), à n’importe quel indice de projection ! Arzuaga-Cruz et al. proposent la “distan-
ce” de Kullback-Liebler symétrisée (11). Jimenez propose la distance de Bhattacharyya (141). L’autre
point majeur qui diffère des ACP/MNF/ACI est le fait que la PP cherche chaque axe itérativement. Il
s’agit de trouver le meilleur premier axe, le retirer et recommencer la procédure entière. La limitation
majeure de cette méthodologie réside dans l’itérativité : si un certain axe est mal estimé, tous les suivants
sont pollués par la contribution résiduelle.

2.4.6 Transformée en ondelette

La transformée en ondelette a été présentée à la section 2.3.3 page 45. Dans le cadre des méthodes
non-supervisée, la transformation en ondelette peut être utilisée de différentes façons :

52
 2.5. BILAN ET PERSPECTIVES

Méthode de reconstruction par ondelette Le nombre d’ondelettes nécessaires dans la reconstruction

de chaque spectre de l’image est déterminé par la ressemblance entre le spectre reconstruit et le spectre
original. En général, le critère de ressemblance est une distance euclidienne. Un simple seuil sur cette
distance permet de dire que le spectre est bien reconstruit. Le sous espace intéressant est alors constitué
de l’union des ondelettes choisies pour chaque spectre.
En pratique, cette méthode ne semble pas intéressante pour la classification des images OMEGA,
car certaines structures spectrales sont de faible énergie, mais sont pourtant très intéressantes. Le danger
du simple critère seuil d’énergie est : s’il est trop haut, d’ignorer de l’information très pertinente, s’il est
trop faible, de ne pas éliminer le bruit. Ce problème est le même pour les méthodes de types ACP, MNF,
ACI dans leur interprétation faible (voir paragraphe sur les interprétations faibles et fortes de l’ACP à la
section 2.4.2).

Best basis algorithm Le but de cette méthode est de garder les ondelettes les plus intéressantes pour
notre signal : élimination du bruit et reconnaissance de forme. L’idée est de garder le sous-espace en
ondelette qui comporte le plus d’informations au sens de la néguentropie. Le nombre de possibilités de
sous espace d’ondelettes à tester est énorme (voir section 2.3) et la néguentropie est complexe à estimer.
Il existe néanmoins une solution pour la représentation d’un seul spectre (50). Le but est de créer une
base orthonormale dans laquelle l’information d’un spectre a le minimum de coût, c’est à dire qui peut
être stocké seulement sur un nombre réduit de variables ! Il faut uniquement définir une fonction coût, qui
doit être concave et additive (203), par exemple l’entropie. Coifman et al. ont utilisé les propriétés d’arbre
des ondelettes pour définir une méthode rapide de détermination de cette base, sans tester l’ensemble des
bases possibles (50).

Réduction pour classification Une autre méthode originale propose de combiner les approches de
réduction et de classification dans le cas non-supervisé. Il s’agit à la fois de classer au mieux les données
et de trouver le sous-espace contenant le plus d’informations (179). Il utilise le concept de “Feature
saliency” qui est une estimation de la validité du canal dans le but de la classification.

2.4.7 Méthodes non-linéaires

Les méthodes de réduction de dimensionnalité non-linéaires sont très mal contraintes car la non-
linéarité fait exploser l’unicité des solutions. Ce type de méthode n’est pas très robuste. Néanmoins,
certains algorithmes, comme des ACP non-linaires (195), ou encore des réseaux de neurones (23), s’y
attaquent. Une autre approche du type Kernel-ACP suppose une certaine forme de non-linéarité a priori
et permet de réduire le nombre de paramètres libres (254; 255) ! Le dilemme de la non-linéarité réside
dans le fait que la robustesse diminue mais que ces analyses sont potentiellement plus proches d’une
physique réaliste.
Durant cette thèse, j’ai décidé de ne pas aborder ce type de réduction de dimensionnalité à cause
du manque de robustesse. Le temps de développement, de calcul, d’ajustement des paramètres clefs et
d’interprétation est probablement très long pour reproduire statistiquement la physique. Dans ce cas, ne
vaut-il mieux pas une inversion généralisée des spectres sur la base d’un modèle physique ?

2.5 Bilan et perspectives

Dressons un bilan sous forme de tableaux comparatifs de toutes ces méthodes de réduction de di-
mensionnalité et de leurs propriétés relatives à l’analyse des images hyperspectrales, incluant la méthode
Wavanglet (voir chapitre 4 page 77). Le tableau 2.3 porte sur les méthodes manuelles et supervisées,
tandis que le tableau 2.5 se concentre sur les méthodes non-supervisées.
Différents critères sont utilisés pour comparer les méthodes de réduction de dimensionnalité. Ces
critères se focalisent surtout dans les propriétés de la transformation de l’espace initial à l’espace réduit :

53
CHAPITRE 2. RÉDUCTION DES DIMENSIONS SPECTRALES

– (i) la conservation des classes (voir section [Link]). En effet, les classes doivent être identifiables
dans l’espace réduit. Nous allons nous intéresser spécifiquement aux suivantes : classe de présence
de corps chimiques, classe d’unité de terrain.
– (ii) l’élimination d’effets indésirables (géométrie d’acquisition, absorption par les gaz atmosphé-
riques, niveau de bruit, recouvrements de bandes d’absorption)
– (iii) des considérations pratiques (type d’échantillon d’apprentissage, temps de calcul).
Décrivons les différents critères d’évaluation et les qualificatifs associées (champ du tableau) :
Le comportement de la “conservation des classes de présence des corps chimiques” dépend forte-
ment de la méthode de réduction.
(a) Toutes les méthodes supervisées supposent que les corps en présence sont connus “(a) a priori”. Les
corps chimiques a priori exclus, sont donc éliminés.
Alors que, les méthodes non-supervisées ne nécessitent pas cette hypothèse et sont qualifiées d’“(a) a
posteriori”.
(b) En cas de recouvrement de bandes d’absorption entre corps chimiques différents, les aptitudes des
méthodes diffèrent. Le champ “(b) ?” signifie que la méthode de réduction de dimensionnalité n’a pas de
disposition particulière.
Le champ “(b) transformation ad hoc” correspond à une transformation mathématique ad hoc opérée sur
les canaux afin de séparer les contributions du recouvrement.
Les méthodes, notées “(b) oui”, opérant une transformation linéaire ou non-linéaire permettent potentiel-
lement de retirer les contributions du recouvrement.
La “conservation des classes d’unité de terrain” est identique à celle des classes de présence des
corps chimiques. Une subtilité vient s’ajouter : les unités de terrains ont des caractéristiques de forme
des bandes d’absorption similaire.
Le champ “transformation ad hoc difficile”, réservé à la sélection manuelle, signifie qu’il est possible
d’appliquer une transformation mathématique ad hoc, qui s’intéresse à la forme des bandes. Mais la dé-
termination de cette transformation est délicate.
Pour les autres méthodes, cette propriété de conservation est qualifiée d’“improbable” à “probable”, mais
il n’existe aucun travail théorique sur cette question. Les méthodes qui opèrent une transformation sur
tous les canaux spectraux, ont plus de chance de comporter cette propriété que les méthodes de sélection
de canaux.
L’“effet de la géométrie d’acquisition” sur les spectres porte essentiellement sur le continuum (voir
section 1.3.1 page 22) mais aussi sur les formes relatives des bandes d’absorption (voir fig. 4.4 page 83).
L’élimination au “premier ordre” consiste à s’affranchir du continuum.
Le point d’interrogation “ ?” signifie que la méthode de réduction de dimensionnalité n’a pas de disposi-
tion particulière pour retirer ces effets. Ces méthodes sont potentiellement capables d’éliminer cet effet.
Le champ “non” est réservé à la sélection de canaux qui n’opère aucune transformation et donc est
incapable de retirer cet effet.
Les “absorptions atmosphériques” sont dues aux absorptions par les gaz. Il est possible pour toutes
les méthodes de réduction de dimensionnalité de retirer les spectels pour lesquels la contribution des
bandes atmosphériques est dominante. Les méthodes diffèrent en cas de recouvrement de bandes d’ab-
sorption atmosphériques et de surface.
Le point d’interrogation “ ?” signifie que la méthode de réduction de dimensionnalité n’a pas de dispo-
sition particulière pour retirer ces effets. Il faudrait des études complémentaires pour déterminer leurs
aptitudes.
Le champ “transformation ad hoc” correspond à une transformation ad hoc opérée sur les canaux afin de
séparer les contributions des recouvrements.
Le champ “au premier ordre” est attribué à la méthode Wavanglet car des tests synthétiques montrent
qu’elle permet de faire une classification indépendante des absorptions atmosphériques (voir annexe 13
page 219). L’effet des aérosols atmosphériques ne peut pas être retiré facilement, il est donc toujours
présent dans l’espace réduit pour toutes les méthodes.
Le “niveau de bruit” du sous-espace réduit dépend de l’espace initial (image hyperspectrale pour les

54
 2.5. BILAN ET PERSPECTIVES

méthodes manuelles et non-supervisées ; base de référence pour les méthodes supervisées). Il est possible
pour toutes les méthodes de réduction de dimensionnalité de retirer les spectels fortement bruités et
morts.
Un niveau de bruit “faible” est garanti par une sommation ou une transformation non-linéaire impliquant
tous les canaux.
Le niveau “moyen” est attribué aux méthodes qui n’appliquent pas de sommation.
Le champ “fort” est réservé à la sélection manuelle qui est basée sur seulement quelques canaux et
n’applique pas de sommation. Le niveau de bruit peut aussi être compris comme une sensibilité à la
détérioration de certains canaux particuliers.
L’“échantillon d’apprentissage” est la base de données de référence sur laquelle s’opère la réduction
de dimensionnalité.
Le champ “image hyperspectrale à traiter” signifie que l’algorithme n’a pas besoin de échantillon d’ap-
prentissage. Attention, des a priori mathématiques et/ou planétologiques sont introduits dans toutes les
méthodes.
Le champ “image voire collection d’images hyperspectrales à traiter” est réservé à l’ACP qui peut être
appliquée de façon itérative sur un grand nombre d’observations (voir section 2.4.2 page 47).
Les champs “base spectrale de référence” et “base de distribution spectrale de référence” sont présen-
tées à la section 2.2 page 41.
Le “temps de calcul” est déterminé en fonction d’un nombre d’opérations à effectuer.
Un temps de calcul “rapide” (en moins de quelques secondes sur une machine de bureau pour une ob-
servation OMEGA) correspond à un algorithme consistant en quelques opérations très simples (addition,
division).
Un temps de calcul “moyen” (en moins de quelques minutes) correspond aux algorithmes statistiques
relativement simples.
Les temps “longs” (au delà d’une demi heure) correspondent aux méthodes statistiques les plus com-
plexes. Ces temps de calcul ont été estimés en fonction de la complexité algorithmique de la méthode, il
ne s’agit pas de véritable temps de calcul.

55
 Méthodes Sélection Sélection de AFD Ondelette Noyau Wavanglet
manuelle : canaux
rapport de bande
Conservation des transformation ad improbable probable probable probable probable
classes d’unité de hoc difficile
terrain
Conservation des (a) a priori (a) a priori (a) a priori (a) a priori (a) a priori (a) a priori
classes de (b) transforma- (b) ? (b) oui (b) oui (b) oui (b) oui
présence des tion ad hoc
corps chimique
Élimination des premier ordre non ? ? ? premier ordre
CHAPITRE 2. RÉDUCTION DES DIMENSIONS SPECTRALES

effets de la
géométrie
d’acquisition
Élimination des transformation ad non ? ? ? oui

56
absorptions hoc
atmosphériques
Niveau de bruit potentiellement moyen car basé faible car faible car faible car faible car
par rapport à fort car basée sur sur des canaux en sommation de sommation de sommation de sommation de
l’espace initial un très petit petit nombre plusieurs canaux plusieurs canaux plusieurs canaux plusieurs canaux
(image hyper- nombre de
spectrale ou canaux
échantillon
d’apprentissage)
Échantillon image base spectrale de base de base spectrale de base de base spectrale de
d’apprentissage hyperspectrale à référence distribution référence ou base distribution référence
traiter spectrale de de distribution spectrale de
référence spectrale de référence
référence
Temps de calcul court moyen moyen moyen moyen moyen
TAB . 2.3 – Tableau récapitulatif des propriétés des méthodes de réduction de dimensionnalité manuelles et automatiques supervisées.
 Méthodes Élimination du ACP/MNF ACI PP Ondelette Méthodes
continuum non-linéaires
Conservation des probable probable probable probable probable probable
classes d’unité de
terrain
Conservation des (a) a posteriori (a) a posteriori (a) a posteriori (a) a posteriori (a) a posteriori (a) a posteriori
classes de (b) ? (b) oui (b) oui (b) oui (b) oui (b) oui
présence des
corps chimiques
Élimination des premier ordre ? ? ? ? ?
effets de la
géométrie
d’acquisition
Élimination des ? ? ? ? ? ?
absorptions

57
atmosphériques
Espace réduit : moyen car quasi faible car faible car faible car faible car faible car
niveau de bruit identique à sommation de sommation de sommation de sommation de sommation de
par rapport à l’image plusieurs canaux plusieurs canaux plusieurs canaux plusieurs canaux plusieurs canaux
l’espace initial hyperspectrale
(image hyper- initiale
spectrale ou
échantillon
d’apprentissage)
Échantillon image image voire image image image image
d’apprentissage hyperspectrale à collection hyperspectrale à hyperspectrale à hyperspectrale à hyperspectrale à
traiter d’images traiter traiter traiter traiter
hyperspectrales à
traiter
Temps de calcul moyen moyen moyen à long moyen à long long moyen

TAB . 2.5 – Tableau récapitulatif des propriétés des méthodes de réduction de dimensionnalité automatiques non-supervisées.
2.5. BILAN ET PERSPECTIVES
CHAPITRE 2. RÉDUCTION DES DIMENSIONS SPECTRALES

Dans l’étude des surfaces planétaires, certains effets comme la géométrie d’acquisition, ou encore les
effets atmosphériques, constituent plutôt des perturbations qu’une source d’information. Il est donc utile
dans ces études de réduire voir d’éliminer ces effets, directement dans la réduction de dimensionnalité.
Entre autre, la méthode “Wavanglet” développée au cours de cette thèse (voir chapitre 4 page 77), montre
bien qu’il est possible de réduire l’effet de ces paramètres. Il serait intéressant d’ajouter une étape à
“Wavanglet” qui consisterait à retirer complètement les ondelettes comportant un signal atmosphérique
fort. De plus, aucune optimisation de la famille d’ondelettes n’a été opérée, une amélioration significative
est attendue pour une famille d’ondelettes qui ressemble fortement aux bandes d’absorption.
Les perspectives de l’approche non-supervisée concernent la réduction de dimensionnalité spectrale,
avec la prise en compte des cohérences spatiales, ce qui pourrait permettre d’améliorer encore l’élimina-
tion des effets insignifiants. Assurément, les échelles spatiales de variation des effets atmosphériques et
géométriques sont différentes de celles des propriétés de surface.

58
Chapitre 3
Classification d’images hyperspectrales de
télédétection

La carte de Mars dessinée par Schiaparelli en 1888.

59
CHAPITRE 3. CLASSIFICATION D’IMAGES HYPERSPECTRALES DE TÉLÉDÉTECTION

Nous allons uniquement présenter dans ce manuscrit quelques unes des méthodes mathématiques
et informatiques qui permettent de faire ce travail de classification sur des données d’images hyper-
spectrales de télédétection. Dans ce chapitre, nous allons nous limiter aux méthodes d’identification en
excluant les méthodes de quantification, objet du chapitre 5 page 91.
La définition de classes, dans le cadre de la télédétection des surfaces planétaires, est décrite dans la
section [Link] page 33. Il s’agit de spectres acquis ayant des caractéristiques données en commun :
présence d’un même corps chimique, même représentation de surface, même paramètres physiques au
sein de la représentation de surface (taille des grains, abondances, ...). La définition mathématique d’une
classe est double : (i) l’ensemble des spectres considérés comme similaires, (ii) un spectre de référence
muni d’une similitude (en général, définie mathématiquement). Il existe différents types de spectre de
référence, décrit dans la section 3.2.1 page 64.
Les méthodes de classifications manuelles (section 3.1) laissent à l’utilisateur une entière liberté lors
de la création de classes. Il s’agit de sélectionner manuellement les spectres observés qui définissent une
classe. Cette sélection par agglomération se fait sur toute une image hyperspectrale, et peut être facilitée
grâce à des traitements mathématiques qui permettent la représentation des données dans l’espace de
l’écran couleur. Ce type de méthode n’impose pas de mathématisation de la similitude. Les classifica-
tions manuelles peuvent s’effectuer dans les dimensions spectrales et/ou spatiales.
Les méthodes de classifications automatiques ne nécessitent pas la participation d’un utilisateur pour
fonctionner, du moins au cours de la phase opérationnelle. Elles fonctionnent grâce à une définition ma-
thématique de la similitude, en général une norme. Les classifications automatiques peuvent s’effectuer
dans les dimensions spectrales (voir section 3.2), spatiales (voir section 3.3), voire une combinaison des
deux (voir section 3.4).
Les méthodes de classifications automatiques supervisées nécessitent un échantillon d’apprentissage,
nommé base spectrale de référence ou encore base de distribution spectrale de référence. L’effet de
l’échantillon d’apprentissage est à double tranchant : il permet d’imposer à la solution d’être dans le
cadre des possibles compréhensibles, en revanche, il omet des solutions correctes inattendues !
Enfin, les méthodes de classifications automatiques non-supervisées ne nécessitent pas d’échantillon
d’apprentissage. Ce type de méthode détermine à la fois les groupes et les similitudes. Néanmoins, les
similitudes sont toujours définies dans un cadre mathématique bien précis (une distance, par exemple la
norme L2 ). En général, ces méthodes nécessitent un unique a priori difficile à estimer : le nombre de
classes ou une distance caractéristique inter-classes qui joue un rôle prépondérant sur les solutions. Si la
chaîne complète de réduction et la classification s’opèrent sans aucune information a priori, aucune base
de connaissance, on parle alors de réduction/classification non-supervisée.
Dans le cas “déterministe”, l’indice de classification est binaire : 0 pour la non appartenance du pixel
à la classe, 1 pour l’appartenance. Le produit de la classification d’une image hyperspectrale est une suite
d’images binaires, une par classe de référence. La classification déterministe non-exclusive permet à un
seul point d’appartenir à plusieurs classes. Une classification déterministe exclusive permet de réduire
la suite d’images binaires à une seule, chaque pixel étant labélisé avec un entier naturel constituant un
indice de classe. Dans ce cas, chaque pixel n’appartient qu’à une seule classe.
Les deux méthodes sont valables pour la télédétection mais dépendent du problème posé : y-a-t’il des
indications a priori pour que les classes soient disjointes ? Dans le cas des surfaces planétaires, si on
s’intéresse à la présence de corps chimiques, il s’agit de savoir si un mélange autre que le mélange
géographique résolu intervient (voir section [Link] page 31). Si tel est le cas, les signatures des différents
corps chimiques constitutifs sont mélangées et les classes sont non-exclusives.
Si on s’intéresse aux unités de terrains, les classes sont exclusives car un pixel ne peut avoir plus d’une
représentation de surface.
Dans le cas “statistique” ou “flou”, l’indice de classification est une valeur entre 0 et 1 dans R
qui exprime la probabilité d’appartenance à une certaine classe. Le produit final de la classification
d’une image hyperspectrale est une suite d’images de cet indice pour chaque classe. Certaines méthodes
produisent une variable de classification dans R qui ne peut pas être interprétée comme une probabilité,
comme la distance L2 à un spectre de référence. Il est possible de se ramener au cas déterministe en

60
 3.1. CLASSIFICATIONS MANUELLES

appliquant un seuil.
La classification des données hyperspectrales ne se fait qu’après une réduction de la dimensionnalité
spectrale pour contrecarrer le phénomène de Hughes (voir annexe 12.5 page 214) face aux problèmes
de représentation des résultats. Cette section présente uniquement la partie de classification, la réduction
étant présentée au chapitre précédent.

3.1 Classifications manuelles

Les méthodes suivantes sont dites “manuelles” car l’utilisateur crée lui même des paquets qui cor-
respondent aux classes, à partir de l’ensemble des données disponibles. Il n’y a pas de médiation par une
fonction mathématique, l’opérateur humain a la liberté de choisir, spectre par spectre, sa classification.
La réduction de dimensionnalité préalable n’est utilisée que comme un moyen de représenter l’image
hyperspectrale à Nλ dimensions sur un écran couleur à deux dimensions. L’utilisateur peut effectuer une
classification spectrale, spatiale ou une combinaison des deux approches.

3.1.1 Classification manuelle spectrale : “scatterplot”

Après une réduction de dimensionnalité quelconque (choix manuel des lignes spectrales, ACP, MNF,
ACI, PP, K-ACP, ...), la classification s’opère dans un diagramme de dispersion ou “scatterplot” en an-
glais. Ce diagramme représente un nuage des spectres de l’image dans deux directions de l’espace réduit
(il y a une correspondance entre un point, un spectre et un pixel). La représentation du cube est mainte-
nant possible sur un écran couleur. La classification consiste à identifier des groupes de pixels dans cette
représentation.
Par exemple, une étude de la calotte permanente sud par Douté et al. utilise cette méthodologie (64). Il
s’agit d’interpréter de façon faible (voir section 2.4.2) le résultat d’une MNF (voir section 2.4.3 page 51).
Après cette réduction de dimensionnalité spectrale, les deux premiers axes de plus forte variance per-
mettent une nouvelle représentation du jeu de données. L’étape de classification manuelle des spectres
s’effectue en regroupant les spectres situés dans des régions considérées comme similaires par l’utili-
sateur (voir figure 3.1). L’identification des spectres de référence extrêmes ou “endmembers” consiste à
identifier les quelques spectres aux extrémités du nuage de points (voir figure 3.1).
Citons aussi une étude similaire des condensâts saisonniers au Nord qui présente un nuage de points
particuliers (263) (voir fig. 3.2). Cette étude montre que la forme du nuage de points peut être complexe
pour certaines observations.
Le sous-espace réduit peut avoir une dimension supérieure à deux. Dans ce cas, cette approche de
“scatterplot” n’est plus applicable. Deux alternatives s’offrent à l’utilisateur.
La première consiste à classer les spectres dans tous les “scatterplot” possibles (toutes les combinaisons
deux à deux des dimensions de l’espace réduit).
La seconde consiste à produire un “scatterplot” unique avec pour axe, une combinaison des dimensions
réduites. Cette approche est produite notamment par nD-Visualiser sous l’environnement IDL/ENVI (1).
Ces deux approches sont inutilisables dans le cas où la dimension est très supérieure à 2, d’où la nécessité
de réduire la dimensionnalité.
La cohérence des résultats d’une classification manuelle dans l’espace spectral réduit peut être vé-
rifiée en représentant les classes dans l’espace. En effet, si les spectres de surface d’une même classe
forment un petit nombre d’unités spatialement connexes, comme on l’attend en Planétologie, la classifi-
cation semble correcte.
Par exemple, l’étude de Schmitt et al. des condensâts nord de Mars montre que malgré une forme
complexe de nuage de points, les classes comportent bien une cohérence spatiale (263) (voir fig. 3.3).
La représentation et l’identification dans un “scatterplot” sont liées à une notion de proximité qui
s’apparente à une distance euclidienne de norme L2 usuelle. Dans un espace sans réduction de dimen-
sionnalité, nous allons voir que cette distance est très fortement dépendante des conditions géométriques

61
CHAPITRE 3. CLASSIFICATION D’IMAGES HYPERSPECTRALES DE TÉLÉDÉTECTION

F IG . 3.1 – Classification manuelle spectrale par Douté et al. (64). La phase de réduction de dimension-
nalité spectrale MNF produit les deux axes PC 1 et 2. La classification consiste à identifier une collection
de points similaires, représentée en couleur sur ces graphes. Les endmembers sont les spectres corres-
pondants aux points les plus proches des pôles de poussière (dust - rouge), d’eau (bleu) et de CO2 (vert).
Ces pôles, représentés par des points, sont les estimations des spectres Sz de chaque zone “z” si l’image
est uniquement en mélange géographique subpixel. La figure 6.4 page 120 représente ces classes sous
forme de carte.

F IG . 3.2 – Classification manuelle spectrale par Schmitt et al. (263). La phase de réduction de dimen-
sionnalité spectrale ACP produit les deux axes PC 1 et 2 interprétés ici de manière forte. La classification
consiste à segmenter la collection de points en groupe considéré comme similaire. Ces classes sont inter-
prétées comme des classes d’abondance de corps, représentées en couleur sur ces graphes. Les change-
ments de direction du nuage de points, notées par les flèches, sont interprétées comme des changements
de représentation de terrain. La figure 3.3 présente ces classes sous forme de carte.

62
 3.1. CLASSIFICATIONS MANUELLES

F IG . 3.3 – Représentation en carte des classes déterminées de la classification manuelle spectrale opérée
dans un espace réduit (voir fig. 3.2). Cette classification a été réalisée par Schmitt et al. (263).

F IG . 3.4 – Classification manuelle spatiale de la calotte saisonnière sud (175). Mosaïque de 10 images
OMEGA en projection stéréographique polaire sud. Les points en noir et blanc indiquent l’albédo du
continuum R(1, 07µm). Seul l’encadré coloré ne représente pas l’albédo. La couleur rouge correspond à
la profondeur de bande BCO2 (1, 43µm). Les couleurs bleue et verte correspondent à BH2 O (1, 5µm) . La
classification spatiale consiste à identifier visuellement les quatre types de terrains a, b, c et d.

d’acquisition (voir section 4.2 page 82). L’identification manuelle, peut imprimer des biais sur les classes
due à la notion de proximité du sens commun.

3.1.2 Classification manuelle spatiale : image

Après la réduction de dimensionnalité spectrale, il s’agit de représenter les données spatialement
puis, de les classer. Une image est produite, il suffit d’en identifier des régions particulières. Cette mé-
thodologie est proposée, entre autre, par Langevin et al. pour classer la calotte saisonnière sud (175) et
l’évolution de la calotte permanente nord (174).
Détaillons la classification de la calotte saisonnière sud de cet article (175). La première étape
consiste à faire un choix manuel de lignes spectrales : albédo dans le continuum R(1, 07µm) ; profondeur
de bande BH2 O (1, 5µm) (équation 2.4) ; profondeur de bande BCO2 (1, 43µm) (équation 2.6). L’espace ré-
duit de dimension 3 est maintenant représentable sur une image (voir figure 3.4). La seconde étape de
classification consiste ici à identifier visuellement quatre régions spécifiques a, b, c et d.
Le sous-espace réduit peut avoir une dimension supérieure à trois axes, ce qui ne permet plus d’ap-
pliquer cette approche de représentation en image couleur. Deux alternatives s’offrent à l’utilisateur.
La première consiste à classer les spectres dans toutes les images possibles (toutes les combinaisons de
trois indicateurs de l’espace réduit).
La seconde consiste à produire une “image” unique avec une combinaison linéaire des dimensions ré-

63
CHAPITRE 3. CLASSIFICATION D’IMAGES HYPERSPECTRALES DE TÉLÉDÉTECTION

duites. Ces deux approches sont inutilisables dans le cas où la dimension est très supérieure à 3.
La cohérence des résultats peut être vérifiée en représentant la classification spectralement. En effet,
si dans un “scatterplot” par exemple, les spectres des terrains d’une même classe sont connexes spectra-
lement, comme on l’attend en Planétologie, la classification semble correcte.
Néanmoins, la cohérence spatiale n’est pas forcément valide, par exemple si des terrains martiens
sont en mélange géographique résolu en échiquier, de variations spatiales à haute fréquence. C’est le cas
pour la région cryptique, composée de terrain de glace de CO2 et de poussière. Si la cohérence spatiale
n’est pas vérifiée, la vérification par cette méthodologie n’est plus valide.

3.1.3 Classification manuelle spectro-spatiale : “scatterplot” et image

Dans le cas d’une représentation simultanée des diagrammes de dispersion (“scatterplot”) et de
l’image correspondante, l’utilisateur peut effectuer une classification spectro/spatiale rudimentaire. Il
peut ainsi imposer des conditions spatiales et spectrales dans l’identification des classes. Cette méthodo-
logie est utilisée grâce à de nombreux logiciels, comme ENVI entre autre. Cependant, comme présenté
à la section précédente, la cohérence spatiale n’est pas forcément valide dans toutes les situations des
surfaces planétaires. Il faut tenir compte de ce fait dans l’établissement des classes.
Ce domaine d’étude, dont l’objet est la visualisation et la manipulation en temps réel des données en
grande dimension, est un domaine encore très actif en ce moment (306). Il existe de nombreux logiciels
qui permettent de traiter ce type de problème :
MANET, un logiciel de traitement graphique développé à l’Université d’Augsburg, Allemagne 1 .
ExplorN qui peut gérer jusqu’à 30 dimensions et qui trouve ses origines sur Atari 2 .
XGobi, un logiciel libre de droit 3 .

3.2 Classifications spectrales automatiques

Ces méthodes automatiques ne nécessitent pas l’intervention d’un utilisateur pour opérer. Cependant,
il faut très souvent ajuster quelques paramètres pour optimiser la classification à un problème spécifique.
L’ajustement se fait sur quelques observations clefs (la base de référence, voir section 3.2.1), c’est le stade
d’“apprentissage”. Certaines méthodes nécessitent des bases spectrales de référence (voir section 3.2.2),
voire des bases de distribution spectrales de référence (voir section 3.2.3). Au stade “opérationnel”, ces
méthodes automatiques ne nécessitent plus l’intervention d’un opérateur.
Les méthodes de classification non supervisées sont présentées à la section (voir section 3.2.4).
Il est possible pour améliorer la classification de mettre en série et/ou en parallèle ces différentes
méthodes. En général, il n’existe pas de raison théorique profonde à ces assemblages. Simplement, l’idée
principale est de procéder par tâtonnements pour produire un algorithme qui classe au mieux les données.

3.2.1 Base de référence

Le propre de toute méthode automatique est la base de données d’apprentissage appelée : base de
référence. Les bases de références composées d’un seul spectre par classe sont notées : bases spectrales
de référence. Les bases comportant plusieurs occurrences de spectre par classe sont dénommées bases
de distribution spectrale de référence. Les spectres peuvent avoir quatre origines différentes :
1. un ensemble de mesures de référence (spectres de laboratoire ou sur le terrain au sol)
2. un ensemble de spectres synthétiques générés par un modèle
3. une image caractéristique avec une “vérité terrain” dont on dispose de manière indépendante des
données observées,
1 http ://[Link]/Manet/[Link]
2 http ://[Link]/~rmoustaf/[Link]
3 http ://[Link]/general/XGobi/[Link]

64
 3.2. CLASSIFICATIONS SPECTRALES AUTOMATIQUES

4. un ensemble de spectres représentatifs extraits manuellement ou automatiquement à partir des

données observées à classer.
Ce dernier type de méthode n’est pas toujours très satisfaisant pour comparer les classifications de plu-
sieurs observations entre elles, car la référence change d’image en image.
Ces dernières sont décrites en détail dans la section 2.2 page 41.

3.2.2 Classification supervisée qui nécessite une base spectrale de référence

Un seul spectre caractéristique par classe est nécessaire pour effectuer la classification. Deux types
méthodologies utilisant un indicateur de similitude entre spectres caractéristiques et spectres de l’image
existent.
La “classification à seuil” permet, à l’aide de seuils définis sur des échantillons d’apprentissage, d’établir
le critère de ressemblance minimum entre le spectre observé et le spectre de référence. Cette méthodo-
logie peut être relativement lourde s’il faut établir des seuils pour toutes les classes de l’image, surtout
si le nombre de classes est grand. C’est une classification déterministe non-exclusive qui ne classe pas
forcément tous les spectres mais dont la fiabilité est élevée.
En revanche, la “classification au plus proche” ne nécessite pas de seuil puisqu’elle classe un spectre ob-
servé dans la classe du spectre de référence le plus proche, au sens de la distance ou de la pseudo-distance
choisie. C’est une classification déterministe exclusive car tous les spectres sont classés dans une unique
classe dont la fiabilité est faible.
Dans les présentations suivantes, nous ne déclinons pas ces deux méthodologies mais nous insistons
plutôt sur la définition de l’indicateur de similitude, choix primordial dans ce type de méthode.

[Link] Classification à seuil dans l’espace réduit

La méthode la plus simple de classification est d’établir un seuil directement sur une ou plusieurs
des dimensions du sous-espace réduit. Il s’agit d’ajuster manuellement le seuil lors de la phase d’appren-
tissage puis, de l’utiliser pour une classification. Plus généralement, on peut segmenter le sous-espace
réduit en autant d’intervalles que de classes. Citons quelques exemple de classification à seuil :
Le seuil de détection de la glace de CO2 déterminé par Langevin et al. sur les observations OMEGA
est de 0,99 sur le ratio RCO2 (172) (voir équation 2.6). Si le ratio est inférieur à 0,99, il y a détection de
CO2 .
La méthode des parallélépipèdes consiste à segmenter l’espace réduit en parallélépipèdes. Chacun
correspond à une classe. La phase d’apprentissage consiste à définir les seuils des bords du parallélépi-
pède dans l’espace réduit. En phase d’application, il s’agit d’attribuer tous les spectres contenus dans le
parallélépipède (1; 251).
Les difficultés des méthodes à seuils résident dans deux problèmes : la détermination des seuils, la
dépendance de l’espace réduit aux effets gênants (conditions géométriques d’acquisition, absorptions
atmosphériques).
La détermination des seuils est trop délicate pour que la classification soit applicable sur des données
réelles, puisqu’il faut déterminer des seuils valables pour la collection entière d’images à traiter. Dans
une étude de la cryosphère terrestre, à l’aide des données du spectro-imageur Hyperion à bord de Earth
Observing 1 (NASA), Doggett et al. s’intéressent à cinq classes : eau liquide, neige, glace compacte,
nuage et sol. Ils proposent une méthodologie pour déterminer ces classes à partir de 18 seuils sur des
rapports de bandes impliquant seulement 7 canaux parmi les 242 de l’instrument. Ils ont optimisé ces
18 seuils à partir d’une base de distribution spectrale de référence de 134 scènes naturelles typiques
associées de vérités terrain.
Les propriétés de la réduction de dimensionnalité, concernant l’élimination des effets des conditions
géométriques, sont très importantes. Le ratio RCO2 /H2 O illustre bien ce problème (voir équation 2.3).
Il a été utilisé comme méthode de référence de détection de glace d’eau et de CO2 pour la méthode
Wavanglet (262) (voir annexe 13 page 219). Ce ratio dépend très fortement des conditions d’illumination.
Au point qu’il n’est pas possible d’appliquer un même seuil de détection pour la collection d’images

65
CHAPITRE 3. CLASSIFICATION D’IMAGES HYPERSPECTRALES DE TÉLÉDÉTECTION

OMEGA. Appliquer un seuil sur ce ratio RCO2 /H2 O n’est pas une méthodologie de classification qui peut
être généralisée sur une collection d’images.

[Link] Distance
La notion de distance est la traduction symbolique en mathématique du concept de comparaison
et de ressemblance (voir annexe 12.1 page 199). La classification incorpore naturellement la notion de
distance. En pratique, dans l’espace usuel des fonctions mesurables, il s’agit fréquemment de la distance
en norme L2 mais toutes les distances sont possibles !
Par exemple, la norme L2 entre un point de coordonnée x et un spectre de référence Ei :
q
d(x, Ei ) = kx − Ei k = (x − Ei )T .(x − Ei ) (3.1)
Cette méthode est très courante (171; 147). Elle peut être appliquée après une réduction de dimen-
sionnalité, dans un espace où la classification est plus facile (156). La distance L2 est disséquée par
Keshava (147) qui montre qu’elle est invariante par permutation d’axe, additive et monotone.
On peut choisir de pondérer l’espace par une métrique M quelconque, la distance devient alors :
q
d(x, Ei ) = (x − Ei )T .M.(x − Ei ) (3.2)
Par exemple, la métrique de Mahalanobis est intéressante parce que certains canaux spectraux sont
aussi pertinents que d’autres mais leur variabilité peut être plus faibles. Dans ce cas, M = Cdov(S)−1
λ ,λ 0 .
Soit l’opération en deux étapes : (i) réduction de dimensionnalité supervisée de Fisher, aussi appelée
Analyse Factorielle Discriminante (chapitre 2.3.2 page 44), (ii) suivie d’une classification en norme
L2 . Cette opération peut aussi s’écrire comme une classification munie d’une distance avec la métrique
M=C d ov(S)−1
λ ,λ 0 .C ov(hSi)λ ,λ .
d 0

Dans un espace sans réduction de dimensionnalité, nous allons voir que la distance euclidienne L2 est
très fortement dépendante des conditions géométriques d’acquisition (voir section 4.2 page 82). Le choix
d’une distance n’est pas anodin : il influence donc les résultats de manière non négligeable, notamment
sur l’effet du continuum dans la classification.
D’un point de vue théorique, la distance L2 n’est pas satisfaisante en grande dimension (voir an-
nexe 12.5.2 page 214).

[Link] Angle ou corrélation

Le coefficient de corrélation indique la ressemblance entre deux vecteurs normalisés (171).

hx; Ei i xT .Ei
corr(x, Ei ) = =√ q (3.3)
kxk . kEi k xT .x ETi .Ei
Un coefficient de 0 indique une décorrélation, +1 une corrélation parfaite et -1 une anticorrélation.
Le coefficient de corrélation n’est pas une distance au sens mathématique. Les méthodes de classification
les plus courantes utilisent plutôt son interprétation géométrique, c’est à dire l’angle ∆ défini comme :

∆(x, Ei ) = arccos (corr(x, Ei )) (3.4)

L’angle est une distance sur l’hémisphère des spectres normalisés (voir annexe [Link] page 201).
La méthode est alors plus connue sous le nom de SAM (Spectral Angle Mapper) disponible notamment
sous le logiciel ENVI® (1). Cette méthode donne de très bons résultats de classification car elle est
indépendante du niveau moyen du spectre, comme le confirme une étude en agriculture portant sur 293
points de “vérité terrain” (281). Cette distance est analysée par Keshava (147) qui montre que l’angle est
invariant par un facteur multiplicatif près, non-additif et non-monotone.
Dans un espace sans réduction de dimensionnalité, nous allons voir que l’angle SAM est très peu dé-
pendant des conditions géométriques d’acquisition (voir chapitre 4.2 page 82). Néanmoins, cette méthode

66
 3.2. CLASSIFICATIONS SPECTRALES AUTOMATIQUES

dépend fortement de l’adéquation entre les tailles de grains des spectres de références et des spectres ob-
servés. L’angle est donc intéressant pour la classification automatique car il affiche une indépendance au
niveau moyen du spectre, dans le sous-espace réduit. En revanche, en cas de recouvrement de bandes
d’absorption de différents corps, l’angle ne semble pas satisfaisant.

[Link] SFFTM : Spectral Feature Fitting

La méthode SFFTM (Spectral Feature Fitting) est incluse dans le logiciel IDL/ENVI (1; 47). Il s’agit
d’une mise à l’échelle du spectre de référence pour coller au mieux au spectre observé, en prenant soin au
préalable que les continuum de tous les spectres soient retirés. La méthode d’élimination du continuum
a déjà été présentée au chapitre précédent ( 2.4.1 page 47).
L’indicateur de présence est le facteur d’échelle. En appliquant un simple seuil sur cet indicateur,
cette méthodologie produit une classification. De plus, ce facteur lui permet de prétendre à la quantifi-
cation du spectre en présence. Nous allons discuter ce point dans le chapitre concernant la séparation de
sources (voir section 5.2.3 page 97).
Nous montrons, à l’aide de tests sur des observations synthétiques, que la méthode SFFTM est en fait
très dépendante des conditions géométriques et de l’adéquation des tailles de grains entre les spectres
de références et les spectres observés (voir section 4.2 page 82). Elle n’est donc pas pertinente dans la
classification des surfaces planétaires.

[Link] Utilisation conjointe de plusieurs classifieurs

Une utilisation simultanée de deux ou plusieurs classifieurs est possible. Citons par exemple un as-
semblage de la corrélation et la distance proposée par Lennon (186). La règle de décision d’appartenance
à la classe i est basée sur l’indicateur de ressemblance suivant :
q
d(x, Ei ) = (N1 .∆(x, Ei ))2 − (N2 .d(x, Ei ))2 (3.5)

Les paramètres N1 et N2 sont déterminés par l’utilisateur. Aucun fondement théorique ne permet
de prétendre qu’ils sont constants pour tous les spectres de références, ni même pour des conditions
géométriques d’illuminations différentes.
L’utilisation conjointe de plusieurs classifieurs n’a aucun fondement dans le transfert radiatif des
milieux planétaires. La complexification ad hoc des méthodes de classification ne semble pas être perti-
nente. De plus, elle introduit des paramètres additionnels dont la valeur optimale varie potentiellement
d’une image à l’autre.

3.2.3 Classification supervisée qui nécessite une base de distribution spectrale de réfé-
rence
Un échantillon de spectres statistiquement représentatifs pour chaque classe est nécessaire pour ef-
fectuer la classification. Il faut donc une base de spectres de référence beaucoup plus fournie qu’avec
les méthodes précédentes. Elle peut être constituée pour chaque classe par un ensemble de spectres :
un ensemble de mesures de référence, un ensemble de spectres synthétiques, une “vérité terrain” ou un
ensemble de spectres représentatifs extraits de l’observation (voir section 3.2.1 page 64).
Il n’existe aucune considération théorique d’une distribution de classe. Pour répondre à ce problème,
il existe deux alternatives : soit poser une densité de probabilité a priori (méthode paramétrique), soit
s’en affranchir (méthode non-paramétrique).

[Link] Méthode statistique paramétrique

Dans le cas “paramétrique”, on associe une densité de probabilité paramétrique à chaque classe.
La première étape consiste à déterminer les paramètres de la distribution statistique (moyenne, variance,

67
CHAPITRE 3. CLASSIFICATION D’IMAGES HYPERSPECTRALES DE TÉLÉDÉTECTION

covariance pour une gaussienne). Il faut s’assurer que les estimateurs de ces paramètres soient conver-
gents, non-biaisés et le plus efficace possible (voir annexe 12.4.4).
La seconde étape consiste à déterminer la règle de décision d’appartenance à une classe. La règle la
plus simple est l’attribution à la classe la plus probable (classification exclusive). Aussi, il est possible
d’utiliser une approche de contour d’isoprobabilité (classification non-exclusive). Dans ce cas, tous les
spectres, situés dans la portion d’espace de probabilité d’appartenance plus forte que X% (X déterminé
par l’utilisateur), appartiennent à la classe.
Dans le cas d’une distribution gaussienne, il est possible de déterminer la probabilité d’apparte-
nance à partir d’une distance. Considérons une base de distribution spectrale de référence comme une
distribution gaussienne d’estimateur de moyenne hS d i iλ et de matrice de variance/covariance intraclasse
C ov(Si )λ ,λ 0 . La probabilité d’appartenance à la classe i en un point x de l’espace ne dépend que de la
d
distance suivante (171) :
 2 1 1 T  
d x, hS
d i iλ = − ln C
d ov(Si )λ ,λ 0 − x − hS
d i iλ .C
d ov(Si )−1
λ ,λ 0 . x − hS
d i iλ (3.6)
2 2
Cette distance est une distance euclidienne, avec la métrique Cd ov(Si )−1
λ ,λ 0 propre à chaque espèce de
référence, avec un terme additionnel (voir Annexe 12.1 page 199).
La classification dans un espace à grande dimension semble être grandement améliorée avec la sta-
tistique d’ordre 2 (voir annexe 12.5.2 page 214).

[Link] Méthode statistique non-paramétrique

Il existe des méthodes qui ne supposent aucune distribution spectrale de référence. Il s’agit des mé-
thodes non-paramétriques. Elles sont basées uniquement sur l’ensemble des spectres de référence. L’uti-
lisation d’une méthode non-paramétrique parait intéressante dans le cadre des surfaces planétaires car il
n’existe pas d’argument théorique sur une fonction de densité de probabilité de classe.
La classification K-NN pour K-Nearest Neighbor est un exemple de méthode non paramétrique. Il
s’agit de classer un point dans la classe de la majorité de ses K spectres de référence les plus proches
voisins au sens d’une norme, euclidienne par exemple (171). Il est possible d’utiliser toutes les distances
possibles (voir annexe 12.1 page 199). C’est une classification exclusive uniquement.
La distance choisie influence fortement le résultat de la classification et il n’existe aucun argument
pour choisir une distance plutôt qu’une autre.

[Link] Support Vector Machine : SVM

La méthode du Support Vector Machine (SVM) consiste à séparer l’espace en portions, chacune
étant associée à une classe. Une brève exposition de cette méthode peut être trouvée dans le livre de
Saporta (259). Cette méthode particulière n’est pas sensible au phénomène de Hughes (voir annexe 12.5
page 214), propriété intéressante pour toutes les données à grande dimension. Ce qui explique son utili-
sation dans des champs très vastes, comme en biologie pour la classification de gènes (101).
En phase d’apprentissage, un algorithme détermine les meilleurs hyperplans qui séparent les diffé-
rentes classes deux à deux. Ensuite, il suffit de calculer le positionnement des nouvelles données par
rapport aux différents hyperplans de séparation de l’espace pour effectuer une classification.
Soit un hyperplan séparant les classes i et i’. Il est défini par le vecteur orthogonal wi,i0 (Support Vector)
et l’ordonnée à l’origine bi,i0 . L’équation de hyperplan est définie par wi,i0 .x + bi,i0 = 0, avec x la variable
d’espace. La fonction sign(wi,i0 .x + bi,i0 ) détermine si on est d’un côté ou de l’autre de l’hyperplan.
Soit les paires (Sij , y j ) qui correspondent aux spectres d’apprentissage Sij et à leur classification y j
(+1=appartenance : -1=non-appartenance). L’équation fondamentale consiste à trouver les paramètres
(wi,i0 ,bi,i0 ) tels que :

y j (wi,i0 .Sij + bi,i0 ) − 1 ≥ 0 (3.7)

68
 3.2. CLASSIFICATIONS SPECTRALES AUTOMATIQUES

La solution classique utilise les multiplicateurs de Lagrange, mais d’autres méthodes de résolution
sont possibles, par exemple un algorithme génétique (234).
Très souvent cette méthode de classification, à cause de la non-linéarité du problème de télédétection,
est appliquée après un changement d’espace. Citons par exemple, des études utilisant une transformée
en ondelette préalable (17), ou une transformation à noyau (184), voir des noyaux spectro-spatiaux (41).
La fonction discriminante entre classes est un hyperplan. Cette approximation n’a aucun fondement
théorique et semble même quelque peu réductrice aux vues des non-linéarités du transfert radiatif. De
plus, cette méthode de classification est exclusive : chaque spectre appartient à une seule classe. Cette
propriété n’est pas intéressante pour la classification des glaces d’eau et de CO2 qui coexistent sur Mars.

[Link] Réseau de neurones

Ce genre de méthode, simplement mentionnée ici, correspond à une approche neuro-mimétique. Il
s’agit de créer un modèle synthétique non-linéaire qui s’approche au mieux du modèle physique via
l’échantillon d’apprentissage. Une fois le modèle construit, en phase d’utilisation, la méthode classe les
spectres observés. Plusieurs types de réseaux de neurones sont possibles (22). Par ailleurs, leur efficacité
dans la reconnaissance de forme a été démontrée (71). De nombreuses études ont été conduites en ima-
gerie hyperspectrale, comme une étude comparative de différentes méthodes sur une image en Espagne
(235), au Japon (231).
Il n’existe aucun argument qui montre qu’un réseau de neurones puisse mimer correctement la phy-
sique du transfert radiatif dans les milieux planétaires, ni même qu’il puisse converger vers une solution
unique.

3.2.4 Classification spectrale non-supervisée

Ces méthodes sont connues sous le nom de “clustering” en anglais. Il s’agit de classer automatique-
ment les données sans échantillon d’apprentissage, ni même de connaissances a priori sur les ressem-
blances. Il existe deux grandes familles : les classifications hiérarchiques qui découpent les données en
arbre et les classifications partitionnantes (parmis lesquelles les classifications dites paramétriques qui
supposent une fonction de densité de probabilité pour chaque classe).
Le problème majeur de ces méthodes de clustering est l’indétermination sur le nombre de classes (ou
la distance maximale intra-classe pour la classification hiérarchique) qui doit pourtant être déterminée a
priori.

[Link] Classification hiérarchique - Arborescence

La façon la plus simple de classer, mais certainement la plus coûteuse, est de comparer tous les
spectres entre eux munis d’une distance. L’étape suivante consiste à représenter les individus sous forme
d’une arborescence qui permet de mettre en correspondance les spectres de l’image les plus proches
(259). La comparaison la plus simple est la distance euclidienne entre spectres mais toute autre distance
est possible (voir annexe 12.1 page 199). L’étape de classification consiste à appliquer une distance
maximale entre spectres au sein d’une même classe. Plus cette distance limite est grande, plus le nombre
de classes est réduit.
Pour une observation comportant un grand nombre de spectres, les méthodes hiérarchiques compa-
rant tous les spectres entre eux paraissent peu utilisables, car très gourmandes en temps de calcul. De plus
la méthode dépend fortement des propriétés de la distance choisie. Il n’existe aucune raison théorique
qui montre qu’une seule distance puisse effectuer toutes les classifications d’intérêt planétologique.

[Link] Mélange de processus gaussiens : K-mean et améliorations

Il n’existe pas de fondement théorique d’appréciation des densités de probabilités d’une classe, la
distribution gaussienne n’a donc pas de justification. Néanmoins, d’après le théorème central limite, si
le vecteur aléatoire d’appartenance est une somme de processus aléatoires indépendants, la densité de

69
CHAPITRE 3. CLASSIFICATION D’IMAGES HYPERSPECTRALES DE TÉLÉDÉTECTION

probabilité gaussienne peut être justifiée (voir annexe [Link] page 211). Cependant, le transfert radiatif
est fortement non-linéaire, il n’y a donc pas d’argument pour valider cette distribution.
La classe i est modélisée par un processus aléatoire de densité de probabilité gaussien f µ i ,Σi (λ ), de
moyenne µ i et de matrice de covariance Σi . La densité de probabilité totale est l’union des densités de
probabilité de chaque classe :

Np
fαi ,µ i ,Σi (λ ) = ∑ αi . f µ i ,Σi (λ ) (3.8)
i=1

avec αi la proportion de mélange telle que :

Np
∑ αi = 1 (3.9)
i=1

L’approche classique de résolution de ce système est de chercher le maximum de vraisemblance

avec un algorithme d’Expectation/Maximisation (16) (voir annexe [Link] page 209). Une approche
plus récente propose de chercher le maximum de la probabilité espérée a posteriori (161).
Sans réduction de dimensionnalité préalable, ces méthodes sont sujettes à la malédiction de la di-
mensionnalité. En effet, les paramètres à estimer sont αi , µ i , Σi pour toutes les classes. On peut montrer
facilement que le nombre de paramètres devient vite très grand devant le nombre de spectres quand
la dimensionnalité augmente. Charles Bouveyron propose la méthode HDDC (High Dimensional Data
Clustering) adaptée aux données à grande dimension (31). Il s’agit de supposer que la matrice de co-
variance intra-classe Σi a une dimension N < Nλ . Autrement dit, la matrice Σi a un certain nombre de
valeurs propres nulles, dans sa propre base. Cette approche réduit le nombre de paramètres à estimer et
donc réduit la malédiction de la dimensionnalité.
L’automatisation de ces méthodes pour de larges collections d’images n’est possible que si ces mé-
thodes sont relativement indépendantes des effets indésirables : des conditions géométriques ou la super-
position des bandes d’absorption de corps différents... Dans un espace sans réduction de dimensionnalité,
nous allons voir que la distance euclidienne, sur laquelle est basée ces méthodes à densité de probabilité
gaussienne, est très fortement dépendante des conditions géométriques et de l’adéquation entre les tailles
de grains des spectres de références et des spectres observés (voir chapitre 4.2 page 82). La densité de
probabilité gaussienne et la distance euclidienne influencent donc les résultats de manière non négli-
geable, notamment sur sa dépendance au niveau moyen du spectre dans le sous-espace réduit. De plus, il
est possible que les matrices de covariance intra-classe varient en fonction des conditions géométriques
ce qui rend cette méthode peu utilisable dans le cadre de l’imagerie hyperspectrale de télédétection sans
correction particulière. Cet effet est visible notamment sur les résultats avec une observation OMEGA,
présentés dans l’article de Bouveyron et al. (31).
Enfin, le problème majeur de ces méthodes de clustering est l’indétermination sur le nombre de
classes qui devrait être déterminée a priori.

[Link] Mélange de processus laplacien : K-median

En reprenant la méthodologie du mélange de processus gaussiens (voir équation 3.8) mais en sub-
stituant la densité de probabilité de Laplace à celle de Gauss, l’algorithme prend le nom de K-median.
Il est cette fois-ci basé sur la distance L1 qui est plus robuste face aux évènements extrêmes. Ainsi, les
spectels chauds qui ont des évènements extrêmes assez fréquents n’influencent que de manière réduite
le résultat. Cette méthode a été notamment développée par Cord et al. (54). De plus, cette étude montre
que la convergence vers l’optimum s’effectue en moins d’itérations que pour la méthode K-mean. En
revanche, le temps d’estimation du médian est plus long que celui de la moyenne.

70
 3.3. CLASSIFICATION SPATIALE AUTOMATIQUE

3.3 Classification spatiale automatique

De manière identique aux classifications spectrales, nous pouvons décliner les mêmes typologies de
classification aux méthodes spatiales, à savoir les méthodes automatiques supervisées et automatiques
non-supervisées.
La transposition du domaine spectral au domaine spatial n’est pas directe. En effet, les spectres
sont des tenseurs d’ordre 1, c’est à dire des vecteurs, tandis que les images sont des tenseurs d’ordre 2,
c’est à dire des matrices. Les méthodes associées sont donc quelques peu différentes mais l’analyse de
l’information spatiale, appelée “texture”, permet des classifications. Différentes techniques d’estimation
de paramètres définissant la texture, utilisant les fractales entre autre (238), sont possibles.
Citons une autre étude récente de Kolaczyk et al. qui propose une classification utilisant une hiérar-
chie de classe (160). Dans le cadre de la télédétection des surfaces planétaires, l’aspect hiérarchique est
pertinent dans la suite de classes suivante : classe de présence d’un corps chimique, d’une association de
corps chimiques, d’une représentation de terrain puis d’une unité de terrain (voir [Link] page 33).
Nous n’allons pas présenter en détail les méthodes de classification spatiales car elles occultent l’as-
pect spectral qui est la partie essentielle de l’apport de l’imagerie hyperspectrale. Néanmoins, lorsque ces
méthodes sont utilisées après une réduction de dimensionnalité spectrale (voir chapitre 2 page 37), elles
sont intéressantes pour la classification d’imagerie hyperspectrale. Cette méthodologie a été approfondie
dans la thèse de Robin Girard de l’IMAG (Grenoble).

3.4 Classification spectro-spatiale automatique

La classification spectro-spatiale permet de faire une classification en utilisant à la fois la cohérence
spatiale et spectrale pour permettre des classifications plus précises. L’exposition de ces méthodes n’est
pas exhaustive car aucune n’a été utilisée durant cette thèse. Il s’agit simplement de mentionner leur
existence.

3.4.1 Méthodes supervisées

Ce type de classifications repose sur l’idée de cohérence spatiale des observations. Une classification
en mélange géographique résolu en échiquier est très improbable tandis qu’une classification homogène
apparaît comme plus raisonnable physiquement. Il s’agit en fait d’ajouter la contrainte supplémentaire
de cohérence spatiale, afin de converger vers la bonne classification.
Les méthodes de classifications spectrales exposées précédemment (au chapitre 3.2 page 64) sont
étendues au domaine spectro-spatial en utilisant une distance de comparaison entre spectres appropriés.
Cet ensemble de méthodes n’est pas très utilisé en Planétologie en ce moment. Citons néanmoins le
travail de Gendrin et al. (94) qui tient compte des voisins dans la détection d’oxydes ferriques et ferreux.
Cette méthode utilise des seuils sur le nombre de voisins comportant une détection significative pour
confirmer une possible détection, elle utilise donc la cohérence spatiale.

3.4.2 Méthodes non-supervisées : la segmentation

Les méthodes non-supervisées de segmentation utilisent à la fois les informations spatiales et spec-
trales.
Notamment, il est possible de se munir d’une distance particulière afin d’effectuer des classifications
spectro-spatiales. L’étude de Marçal et al. propose une distance entre classes qui est une combinaison
linéaire de distances spectrales et spatiales (207). Ces auteurs proposent ensuite d’utiliser cette distance
à l’aide d’une méthode hiérarchique.
Citons aussi la segmentation par champs de Markov, développée notamment dans la thèse de Farid
Flitti (78).

71
CHAPITRE 3. CLASSIFICATION D’IMAGES HYPERSPECTRALES DE TÉLÉDÉTECTION

3.5 Bilan et perspectives

Résumons sous forme de tableaux les propriétés des méthodes de classification spectrale et leur
intérêt dans l’analyse des surfaces planétaires au sein d’images hyperspectrales (voir tableaux 3.1, 3.2 et
3.3).
Différents critères sont utilisés pour comparer les méthodes de classification :
– (i) aptitude à former des classes d’intérêt planétologique (voir section [Link]). Nous allons nous
intéresser spécifiquement aux suivantes : classe de présence de corps chimiques, classe d’unité de
terrain.
– (ii) principe de fonctionnement (indicateur de similitude entre spectres de même classe, règle de
décision).
– (iii) considérations pratiques (classification exclusive/non-exclusive, nombre de seuils, type de
base de référence, sensibilité au bruit, temps de calcul).
Décrivons les différents critères d’évaluation et les qualificatifs associées (champ du tableau) :
La classification correcte des “classes de corps chimique” est “à étudier” pour toutes les méthodes
car il n’existe pas de travaux théoriques. L’aptitude à classer dépend fortement de la réduction de dimen-
sionnalité. Les méthodes de seuil, distance, SAM et SFFTM sans réduction de dimensionnalité préalable,
ont été testées au cours de cette thèse sur des échantillons synthétiques (voir section 4.2 page 82). Dans
ces conditions, aucune de ces méthodes ne permet une classification correcte. La méthode SVM, qui sé-
pare les classes avec un hyperplan, sans réduction de dimensionnalité préalable, semble inadéquate aux
vues des non-linéarités du transfert radiatif.
La classification correcte des “classes d’unité de terrain” est “à étudier” pour toutes les méthodes car
il n’existe pas de travaux théoriques.
La “réduction de dimensionnalité est ”nécessaire” pour certaines méthodes de classification, car elles
ne peuvent pas procéder autrement. En effet, il est impossible de représenter un cube hyperspectral sur
un plan.
Pour d’autres, elles sont “statistiquement nécessaires” à cause du phénomène de Hughes.
Parfois, certaines méthodes de réduction de dimension sont naturellement associées à une méthode de
classification. Elles sont notées entre parenthèses dans le tableau.
Pour d’autres elles sont seulement “contingente”.
Pour les méthode SVM et HDDC, la réduction de dimensionnalité est “inutile” car elle n’est pas sujette
au phénomène de Hughes.
La “ressemblance” est l’indicateur de similitude défini mathématiquement.
La “règle de décision” est “manuelle” lorsqu’un utilisateur sélectionne manuellement les spectres.
Elle est “explicite” si une formulation mathématique peut être donnée. Dans ce cas, la forme de la classe
dans l’espace spectral, lors d’une classification non-exclusive, est notée entre parenthèses.
Elle est “implicite” s’il n’existe pas de formulation mathématique.
La classification peut être “exclusive” ou “non-exclusive”.
En cas de classification non-exclusive, il faut établir des seuils pour classer. Le “nombre de seuils” par
classe est noté dans le champ correspondant. Ces seuils peuvent être déterminés à partir de la base spec-
trale de référence. Pour plus de fiabilité, ils sont souvent établis à partir d’observations réelles typiques
de la collection d’images à traiter, munis d’une “vérité terrain”.
La méthodologie de classification non-exclusive nécessite un “nombre de seuil”.
Les méthodes supervisées nécessitent une “base de référence” qui peut être une “base spectrale de
référence” ou une “base de distribution spectrale de référence”.
La “sensibilité au bruit” exprime la sensibilité de la méthode au niveau de bruit dans l’espace réduit.
La classification a une sensibilité potentiellement “forte” si elle est basée seulement sur un petit nombre
de dimensions (2 dans le cas des “scatterplot” et 1 dans le cas des seuils). La sensibilité est “faible” si
la classification s’opère sur un index moyennant les signaux du sous-espace réduit (distance, ...). Elle est
“très faible” pour la méthode K-median, car elle est insensible aux “outliers” (norme L1 robuste).
Le “temps de calcul” lors de la classification (en écartant la phase d’apprentissage) est déterminé en

72
 3.5. BILAN ET PERSPECTIVES

Méthode de Manuelle : Seuil Distance SAM SFFTM

Classification “Scatterplot”
Classe de à étudier à étudier à étudier à étudier à étudier
corps (impossible (impossible (impossible (impossible
chimiques sans sans sans sans
réduction) réduction) réduction) réduction)
Classe d’unité à étudier à étudier à étudier à étudier à étudier
de terrain (impossible (impossible (impossible (impossible
sans sans sans sans
réduction) réduction) réduction) réduction)
Réduction de nécessaire contingente contingente contingente contingente
dimension (AFD) (continuum
removal)
Ressemblance distance distance à distance corrélation facteur
visuelle seuil mathématique d’échelle
Règle de manuelle explicite explicite explicite explicite
décision (paral- (boule si L2 ) (cône)
lélépipède)
Exclusif / les deux les deux les deux les deux les deux
non-exclusif
Nombre de - potentiel- 1 par classe 1 par classe 1 par classe
seuils lement grand
Base de - aucune base spectrale base spectrale base spectrale
référence de référence de référence de référence
Sensibilité au fort fort faible faible faible
bruit
Temps de court court court court court
calcul

TAB . 3.1 – Tableau récapitulatif des méthodes manuelles et automatiques nécessitant une base spectrale
de référence.

fonction d’un nombre d’opérations à effectuer.

Un temps de calcul “court” (en moins d’une seconde sur une machine de bureau pour une observation
OMEGA) correspond à un algorithme consistant en quelques opérations très simples (addition, division).
Un temps de calcul “moyen” (en moins de quelques minutes) correspond aux algorithmes statistiques re-
lativement simples.
Les temps “longs” (au delà d’une demi heure) correspondent aux méthodes statistiques les plus com-
plexes. Ces temps de calcul sont estimés en fonction de la complexité de la méthode, il ne s’agit pas de
véritables temps de calcul.

73
CHAPITRE 3. CLASSIFICATION D’IMAGES HYPERSPECTRALES DE TÉLÉDÉTECTION

Méthode de Paramétrique K-NN SVM réseaux de

Classification neurones
Classe de à étudier à étudier à étudier à étudier
corps (improbable
chimiques sans réduction)
Classe d’unité à étudier à étudier à étudier à étudier
de terrain (improbable
sans réduction)
Réduction de statistiquement contingente inutile contingente
dimension nécessaire
Ressemblance densité de distance même côté de implicite
probabilité mathématique l’hyperplan
Règle de explicite implicite explicite implicite
décision (ellipsoïde si hyperplan
gaussienne)
Exclusif / les deux exclusif exclusif les deux
non-exclusif
Nombre de 1 par classe - - aucun
seuils
Base de base de base de base de base de
référence distribution distribution distribution distribution
spectrale de spectrale de spectrale de spectrale de
référence référence référence référence
Sensibilité au faible faible faible faible
bruit
Temps de long long moyen long
calcul

TAB . 3.2 – Tableau récapitulatif des méthodes automatiques supervisées nécessitant une base de distri-
bution spectrale de référence.

74
 3.5. BILAN ET PERSPECTIVES

Méthode de Hiérarchique K-mean HDDC K-median

Classification
Classe de à étudier à étudier à étudier à étudier
corps
chimiques
Classe d’unité à étudier à étudier à étudier à étudier
de terrain
Réduction de statistiquement statistiquement inutile statistiquement
dimension nécessaire nécessaire nécessaire
Ressemblance distance distance de distance de distance L1
mathématique Mahalanobis Mahalanobis
Règle de explicite explicite explicite explicite
décision (boule si L2 ) (ellipsoïde ) (ellipsoïde) (ellipsoïde)
Exclusif / exclusif les deux les deux les deux
non-exclusif
Nombre de - 1 par classe 1 par classe 1 par classe
seuils
Base de - - - -
référence
Sensibilité au faible faible faible très faible
bruit
Temps de long long long long
calcul

TAB . 3.3 – Tableau récapitulatif des méthodes automatiques non-supervisées.

Les méthodes de classification manuelles permettent de maîtriser les aspects spectraux et spatiaux.
Cependant, la classification d’une large collection d’images n’est pas possible avec ce type de méthodes.
Il faut forcément recourir aux méthodes automatiques.
Les méthodes de réduction/classification non-supervisées n’ont pas été utilisées lors de cette thèse,
laissant place aux méthodes de séparation de source non-supervisées qui semblent plus prometteuses.
En effet, la classification ne s’intéresse qu’à l’appartenance à une classe, tandis que la séparation de
source tente une quantification. Ainsi, d’une simple opération de détection, nous pouvons espérer passer
à l’évaluation de paramètres physiques la composition des terrains martiens (composition, abondance,
taille de grains...).
Les perspectives à plus long terme résident dans l’usage des méthodes spectro-spatiales, très peu
utilisées pour l’instant dans le domaine de la Planétologie. Elles permettent d’utiliser toute l’information
réellement contenue dans une image hyperspectrale, à la différence des méthodes spectrales qui sont
indépendantes d’une permutation de position de spectres. Cependant, leur mise en place est coûteuse
en temps de calcul et nécessite encore quelques développements théoriques, entre autre, à propos de la
corrélation spatiale au sein d’une classe.

75
Chapitre 4
“Wavanglet” : une méthode de détection
automatique supervisée

Mosaïque des images OMEGA entre Ls=220° et 230° créée à partir de la méthode Wavanglet (voir
section 8.1.1 page 150)

77
CHAPITRE 4. “WAVANGLET” : UNE MÉTHODE DE DÉTECTION AUTOMATIQUE
SUPERVISÉE

La première section de ce chapitre est consacrée à la présentation de la méthode Wavanglet (voir

section 4.1). La seconde section montre les résultats d’un test synthétique (voir section 4.2). La troisième
section étend la validité de la méthode à la détection de gypse (voir section 4.3).

4.1 Présentation de la méthode “Wavanglet”

La méthode Wavanglet a été développée lors de cette thèse. Elle a fait l’objet d’un article dans le
journal IEEE Transaction on Geoscience and Remote Sensing (262), disponible en annexe du manuscrit
(voir section 13 page 219).
Cette méthode est basée sur quatre étapes :
Étape A : détermination de la base spectrale de référence
Étape B : réduction de dimensionnalité spectrale
Étape C : optimisation des seuils de détection
Étape D : classification d’une base de données d’images hyperspectrales
Nous allons présenter brièvement ces étapes dans ce chapitre, ainsi que quelques améliorations par
rapport à la version de l’article.

4.1.1 Bases spectrales de référence

La méthode “Wavanglet”, nécessite une base spectrale de référence (voir section 2.2 page 41). Dé-
taillons les différents spectres présents dans les bases spectrales de référence utilisées lors de cette thèse.
La première base a été utilisée pour la détection de glace d’eau et de CO2 , au sol de Mars, dans la
base de données des observations OMEGA. La seconde base a été utilisée pour la détection du gypse et
de la glace pour les observations de la zone polaire nord de Mars.

[Link] Détection de glace d’eau et de CO2 au sol de Mars

La motivation de la base spectrale suivante est la détection au sol, de glace d’eau et de CO2 . Il s’agit
de spectres de référence des classes des corps chimiques : glace d’eau et glace de CO2 . De plus, deux
spectres de référence relatifs aux effets atmosphériques ont été nécessaires.
Les résultats de la classification, appliqués sur toute la base de données OMEGA, sont analysés
notamment dans la section 8.1.1 page 150.

Glace d’eau, glace de CO2 au sol J’ai choisi d’utiliser deux spectres de référence représentatifs de
glace de CO2 et H2 O. Il s’agit de spectres synthétiques à des tailles de grains extrêmes, typiques de la
calotte permanente sud de Mars, produit par la méthode de calcul de transfert radiatif de Douté et al.
(62). Les spectres en réflectance obtenus sont convolués à la résolution de OMEGA pour être compa-
rables aux spectres acquis par l’instrument. Ces spectres de référence sont tous deux exempts des effets
atmosphériques, pour être des “endmembers” représentatifs des tendances au sol.
Les deux spectres de référence sont exposés dans la figure 4.1. Les paramètres physiques (taille de
grain, géométrie d’acquisition), entrés dans le modèle de transfert radiatif, sont listés sur le tableau 4.1.

Spectre synthétique Glace d’eau pure Glace de CO2 pure

taille de grain (microns) 10 100000
angle d’incidence (°) 85 85
angle d’émergence (°) 0 0

TAB . 4.1 – Caractéristiques physiques des spectres de référence synthétiques.

78
 4.1. PRÉSENTATION DE LA MÉTHODE “WAVANGLET”

F IG . 4.1 – Spectres de référence de surface issus de simulation. Les longueurs d’ondes sont exprimées
en microns. La glace d’eau est en rouge. La glace de CO2 est en bleu.

Effets atmosphériques J’ai choisi d’ajouter deux autres spectres de références : régolithe martien et
nuages d’eau, supposés représentatifs de toutes les situations martiennes (voir fig. 4.2). Ces deux spectres
comportent les bandes d’absorption des gaz atmosphériques, intéressant pour la réduction de dimension-
nalité de Wavanglet, car ces bandes d’absorption sont présentes pour tous les spectres OMEGA. La mé-
thode de réduction de dimensionnalité de Wavanglet peut donc potentiellement extraire la contribution
du sol.
Le premier spectre est une moyenne de spectres sélectionnés manuellement dans un “scatterplot”
d’ACP (voir section 3.1.1 page 61) d’une observation dans la région du pôle sud de Mars (ORB0041_1).
Ce spectre est supposé représentatif du régolithe sur toute la planète.
Le second spectre est aussi une moyenne de spectres sélectionnés manuellement dans un “scatterplot”
d’une observation dans la région du cratère d’impact géant “Hellas” (ORB1241_5). Ce spectre a été
introduit pour distinguer la glace d’eau à très faible taille de grains qui est dans l’atmosphère. Il n’a pas
été utilisé lors des tests présentés dans l’article Wavanglet (262), ni même ceux présentés dans la section
4.2.

[Link] Détection de gypse et de glace d’eau au sol dans la zone polaire nord de Mars

La scène présente trois types de terrain : du gypse, du régolithe et de la glace d’eau de la calotte
permanente. La base spectrale de référence utilisée, contient ces trois espèces.
Il s’agit du spectre de glace d’eau modélisé précedemment (voir section précédente) que précedemment.
Les spectres du gypse et de basalte (analogue du régolithe) sont des spectres en réflectance mesurés en
laboratoire, sur des poudres, au LPG par Antoine Pommerol (voir fig. 4.3).
Les contraintes instrumentales du laboratoire n’ont pas permis d’effectuer la mesure au delà de 4
microns. Nous avons donc considéré cette partie comme du bruit (voir section suivante).

4.1.2 Réduction de dimensionnalité spectrale

La méthode Wavanglet, développée dans cette thèse, utilise une base spectrale de référence des corps
chimiques, supposés présents dans l’image. Elle utilise la transformée en ondelette (voir section 2.3.3
page 45). Après une transformée en ondelette de Debauchie (voir annexe 12.3 page 204), la réduction de
dimensionnalité se fait en trois étapes : (i) élimination du continuum ; (ii) élimination des effets indési-
rables ; (iii) détermination du sous-espace le plus discriminant.

79
CHAPITRE 4. “WAVANGLET” : UNE MÉTHODE DE DÉTECTION AUTOMATIQUE
SUPERVISÉE

F IG . 4.2 – Spectres de référence issus d’observations OMEGA. Les longueurs d’ondes sont exprimées
en microns. En rouge le spectre de référence de la poussière martienne prise dans la région polaire sud.
En bleu, le spectre de nuage de glace d’eau dans la région de Hellas.

F IG . 4.3 – Spectres de référence, issus de mesures de laboratoire, en réflectance. Matériaux granulaires

de gypse en rouge et de basalte en bleu. Le domaine entre 4 et 5 microns n’a pas été mesuré mais
simplement prolongé. (Acquisition au LPG par Antoine Pommerol)

80
 4.1. PRÉSENTATION DE LA MÉTHODE “WAVANGLET”

Diverses améliorations ont été apportées par rapport à la version de l’algorithme décrite dans l’article
(262). La version, au moment de l’écriture de la thèse, consiste en ces étapes successives (l’étape 3 n’étant
qu’une extension de la 2) :
1. Filtrage des grandes échelles, pour éliminer l’effet de l’albédo global ainsi que l’effet de la géo-
métrie d’observation. Nous allons conserver uniquement les échelles s∈ [5 − 8].
2. Élimination du bruit. Élimination des ondelettes à petites échelles polluées par des spectels mort,
chaud ou bruité d’OMEGA. Il faut connaître la liste des spectels d’OMEGA à éliminer. Pour
chaque spectel à éliminer, les ondelettes les plus polluées sont écartées de la sélection.
Comment estimer les ondelettes comportant une fraction de signal majeure due à un seul spectel
incorrect ? Voici la méthodologie adoptée :

(a) Construction d’un vecteur nul de taille Nλ (256 pour OMEGA)

(b) Spectels incorrects mis à 1 pour simuler un bruit d’énergie normalisé à 1 sur un signal mis à
0
(c) Transformée en ondelette directe du signal “dirac” noté Di (s, p)
(d) Les ondelettes comportant une énergie supérieure à 50% sont majoritairement polluées par
le signal “dirac”. Il faut donc éliminer les ondelettes Ψs,p tel que Di (s, p) > 0, 5

3. La version Wavanglet de l’article ne tient pas compte du fait que les spectels à problème peuvent
être situés à côté les uns des autres. Une amélioration notable de l’élimination du bruit peut être
faite en reprenant l’étape 32, sur un signal “dirac” ayant tous les spectels incorrects à un, et en
utilisant un seuil d’élimination à 25%. Cette seconde élimination des ondelettes polluées est com-
plémentaire de la première car elle sélectionne les ondelettes aux échelles moyennes, ignorées à
l’étape 2.
4. Sélection du meilleur sous-espace pour tous les couples de spectres de référence. L’idée majeure
est de comparer les spectres de référence deux à deux, dans une base d’ondelettes. Seules les onde-
lettes maximisant la différence entre ces spectres sont conservées. La base d’ondelettes conservée
est simplement l’union des ondelettes conservées pour chaque couple.
Les spectres de références n’ont pas été normalisés dans la version Wavanglet de l’article. Mais,
il semble qu’une normalisation, en utilisant uniquement les spectels corrects d’OMEGA, apporte
une amélioration notable des résultats.
Soit W E i (s, p), la projection du ieme spectre de référence de la base sur l’ondelette Ψs,p à l’échelle
s et la position p. Voici trois types d’algorithme simples de sélection :

(a) Seuil unique pour un spectre de référence :

Choix de Ψs,p si ∃i tel que :
kW Ei (s, p)k > thres(s) (4.1)

(b) Différents seuils pour une base de spectre de référence :

Choix Ψs,p si ∃(i, j) tels que :

W Ei (s, p) −W E j (s, p) > thres(s, i, j) (4.2)

avec :
thres(s, i, j) = const (4.3)

(c) Notons W Ei (s, p) − W E j (s, p) = DW Ei, j (s, p). Ces seuils peuvent être déterminés automa-
tiquement, pour chaque échelle s, et chaque couple de spectre de référence (i,j), grâce à la
méthode suivante :
q
DW\ + kselect . Vd


thres(s, i, j) = Ei, j (s, p) ar DW Ei, j (s, p) (4.4)

81
CHAPITRE 4. “WAVANGLET” : UNE MÉTHODE DE DÉTECTION AUTOMATIQUE
SUPERVISÉE

Les moyennes et variances sont calculées sur la variable p position. Ces calculs sont effectués
pour toutes les combinaisons de i et j, à toutes les échelles s, pour les ondelettes Ψs,p non
polluées par des spectels défaillants. Le coefficient “kselect ” est déterminé par l’utilisateur.
Cette dernière étape est choisie dans le cadre de toutes les classifications de cette thèse, car
elle ne comporte qu’un seul paramètre libre “kselect ”, indépendamment du nombre de spectres
dans la base spectrale de référence.
Dans les données OMEGA, l’information intéressante pour la classification est en premier lieu la com-
position chimique. L’apport majeur de Wavanglet, par rapport aux autres méthodes de réduction de di-
mensionnalité utilisant les ondelettes, est de garder les ondelettes aux petites échelles, pour ne pas être
pollué par les effets géométriques des angles d’incidence et d’émergence. Il s’agit d’un a priori d’origine
spectroscopique que l’on rajoute à la réduction.
Il existe un paramètre de sélection kselect qui doit être ajusté à la base spectrale de référence afin
de sélectionner une dizaine d’ondelettes discriminantes pour atteindre l’optimum de Hughes (voir an-
nexe 12.5.3 page 215). Pour la base spectrale de référence de détection de glace d’eau et de CO2 , la
valeur optimale est kselect = 2, 5. Pour la base spectrale de référence de détection du gypse au Nord, la
valeur optimale est kselect = 1, 2.

4.1.3 Optimisation des seuils de détections

Dans le cadre de la classification Wavanglet, j’ai fait le choix d’utiliser la méthode de corrélation ou
angle (SAM), présenté à la section [Link] page 66, qui comporte l’avantage d’être insensible à un facteur
multiplicatif.
Le seuil sur la règle de détection dépend fortement de la présence de bandes atmosphériques dans
le spectre de référence. En effet, il existe une forte corrélation entre les spectres de corps chimiques
différents acquis par OMEGA, simplement à cause des absorptions atmosphériques présentes partout.
J’utilise une base spectrale de référence contenant certains spectres comportant des bandes d’absorption
atmosphériques et d’autres spectres ne comportant pas cette contribution. L’usage de telles bases, interdit
l’approche exclusive de type : classification au plus proche spectre de référence au sens de l’angle.
De plus, sur Mars, un pixel peut comporter à la fois les signatures de glaces de CO2 et d’eau.
La méthodologie de la “classification à seuil” est nécessaire (voir section [Link] page 65). Il faut
donc déterminer un seuil spécifique par classe : l’angle maximum d’appartenance à la classe, défini
autour du spectre de référence. Ces angles maxima doivent être optimisés en phase d’apprentissage sur
des images représentatives de la base de données. J’ai optimisé ces angles maxima en utilisant, à la fois
des données synthétiques, et quelques observations clefs d’OMEGA.

4.1.4 Classification de la base de données

La dernière étape consiste à appliquer la classification à toutes les images hyperspectrales présentes
dans la base de données. La première phase consiste à appliquer la réduction de données pour se placer
dans le sous-espace le plus discriminant entre les classes d’intérêt. La seconde phase est la classification
utilisant les angles maxima déterminés dans la phase d’apprentissage.

4.2 Tests synthétiques : validation de Wavanglet, comparaison avec des

méthodes usuelles de classification
Testons maintenant quelques méthodes de classification sur des simulations de spectres de réflectance
de surface. Nous avons choisi de simuler des conditions représentatives de la calotte permanente sud de
Mars (ou Permanent South Polar Cap : PSPC), d’après les premières études de Sylvain Douté (64). Nous
nous intéressons uniquement à la classe de présence des corps chimiques (voir section [Link] page 33).
Détaillons les caractéristiques physiques des données synthétiques utilisées, la description des mé-
thodes de classification testées et les résultats.

82
 4.2. TESTS SYNTHÉTIQUES : VALIDATION DE WAVANGLET, COMPARAISON AVEC DES
MÉTHODES USUELLES DE CLASSIFICATION

Figure 4.4: Effet des angles d’observation pour un mélange intime de glace d’eau et poussière à 50% en
masse, issu de l’expérience 1 (e : angle d’émergence / i : angle d’incidence).

4.2.1 Caractéristiques physiques

[Link] Caractéristiques au sol

Les conditions de géométrie d’acquisition au pôle sont telles que l’angle d’incidence (pour une sur-
face horizontale) ne peut être plus petit que le complémentaire de l’obliquité. L’incidence minimale au
pôle est de 65°. Même dans un intervalle d’incidence réduit à [60°,90°], la variation des effets géomé-
triques est importante. En ce qui concerne l’angle d’émergence, il doit être proche de 0°, car la plupart
des observations se font au nadir. Cependant, la plateforme Mars Express ayant une orbite très elliptique,
l’émergence maximale varie avec la distance à la planète. Pour l’observation ORB1849_1, lorsque Mars
Express est loin de Mars, l’angle d’émergence atteint 30° sur les régions polaires.
A l’équateur, les conditions géométriques d’acquisition sont telles que l’angle d’incidence peut être
proche de 0° et l’angle d’émergence est toujours quasiment au nadir.
Pour tester les différents algorithmes dans les conditions polaires et équatoriales, nous avons choisi
d’échantillonner les conditions géométriques de la manière suivante : incidence [5° / 65° / 85] et émer-
gence [0° / 30°].
La fonction de phase des matériaux de surface est supposée isotrope. Pour des fonctions de phases
piquées vers l’avant, comme c’est le cas pour les glaces, des effets géométriques plus importants sont
attendus (voir [Link] page 26). Néanmoins, la fonction de phase étant un paramètre mal contraint, nous
avons supposé l’isotropie.
La rugosité de surface ainsi que la pente locale sont supposées nulles. Les effets géométriques
peuvent être plus importants si ces paramètres sont ajustés à des valeurs réalistes.
Pour illustrer les variations spectrales dues simplement aux conditions géométriques, quelques
spectres extrêmes sont représentés sur la figure 4.4.
La représentation de terrain est un mélange granulaire intime. Il existe deux expériences test :
– Expérience 1 : Simulation d’affleurements de glace d’eau sur la calotte permanente sud, d’après
les terrains de type B de l’étude de Douté et al. (64). Il s’agit d’un mélange de grains de :
– poussières (taille de grain : 10 microns), entre 0 et 100% en masse par pas de 5%
– glace d’eau (taille de grain : 100 microns), entre 0 et 100% en masse par pas de 5%.
– Expérience 2 : Simulation de la calotte permanente de glace de CO2 , d’après les terrains de type
D et E de l’étude de Douté et al. (64). Il s’agit d’un mélange de grains de :
– poussières (taille de grain : 10 microns), entre 0 et 0,5% en masse par pas de 0,05%

83
CHAPITRE 4. “WAVANGLET” : UNE MÉTHODE DE DÉTECTION AUTOMATIQUE
SUPERVISÉE

– glace d’eau (taille de grain : 100 microns), entre 0 et 0,5% en masse par pas de 0,05%
– glace de CO2 (taille de grain : 50000 microns), entre 99,5 et 100% en masse par pas de 0,05%.
Bien que le mélange de cette deuxième expérience soit dominé en masse par la glace de CO2 , tous les
composants ont une grande influence spectrale. En effet, à cause de leur taille bien plus petite, les grains
de poussière et d’eau sont bien plus nombreux que ceux du CO2 .
Les glace de CO2 et d’H2 O comportent des bandes d’absorptions qui se recouvrent. Les deux en-
sembles de test décrits ci-dessus, permettent de déterminer les différences de comportement des classi-
fieurs vis à vis de l’effet de recouvrement des bandes.

[Link] Caractéristiques de l’atmosphère

Les “effets atmosphériques” sont très simplifiés. Il s’agit simplement d’un spectre en transmission
des gaz correspondant à une altitude typique de la région polaire sud (4000 m). Ce spectre est multiplié
au spectre de réflectance de la surface, pour modéliser ce que mesure le capteur depuis l’espace. Nous ne
tenons pas compte de la géométrie d’acquisition, ni de diffusion par les aérosols qui modifient le parcours
des photons dans l’atmosphère.

[Link] Simulation du bruit instrumental

Le bruit instrumental est simulé par un bruit gaussien additionnel. Les variances sont issues du “dark”
de l’instrument OMEGA à l’observation ORB0041_1.

4.2.2 Test des méthodes de classification

Les méthodes de classifications testées consistent toutes à appliquer un seuil sur une variable sca-
laire appelée “indicateur”. Elles sont toutes supervisées et nécessitent une base spectrale de référence.
Ces méthodes utilisent toutes la même base spectrale de référence composée des spectres suivants (voir
section 4.1.1) :
1. un spectre de glace d’eau pure de taille de grain 10 microns,
2. un spectre de glace de CO2 pur de taille 100000 microns,
3. un spectre de régolithe issu de l’observation OMEGA ORB0041_1.
Il existe donc des différences de taille de grains entre la base spectrale de référence et les expériences
synthétiques. Voici les méthodes de classification testées ici :
– Distance L2 : Distance entre le spectre observé et le spectre de référence (voir chapitre [Link]
page 66). Un indicateur faible indique une forte ressemblance.
– SFFTM : Il s’agit de retirer le continuum au spectre puis, d’ajuster le spectre de référence au
spectre mesuré par un facteur d’échelle (voir chapitre [Link] page 67). Il n’y a pas de réduction
de dimensionnalité dans cette classification. Un indicateur fort indique une forte ressemblance.
– SAM : Il s’agit d’un coefficient de corrélation modifié entre les spectres de références et observés,
tel que présenté à la section [Link] page 66. Il n’y a pas de réduction de dimensionnalité dans cette
classification. Un indicateur faible indique une forte ressemblance.
– Ratio LPG : C’est une profondeur de bande BH2 O (2, 5µm) de la glace d’eau (voir équation 2.2
page 39). Un indicateur fort indique une forte présence.
– Ratio IAS : C’est une profondeur de bande BH2 O (1, 5µm) de la glace d’eau (voir équation 2.4
page 40). Un indicateur fort indique une forte présence.
– Wavanglet : Il s’agit de choisir le sous-espace le plus discriminant (voir section 4.1), en prenant
soin d’éliminer les grandes échelles pour retirer le continuum. Puis, de calculer à l’intérieur de ce
sous-espace, l’angle entre le spectre observé et le spectre de référence. Le paramètre de sélection
kselect est fixé à 2,5, exactement comme la version de Wavanglet utilisée pour la détection des
glaces martiennes. Un indicateur faible indique une forte ressemblance.

84
 4.2. TESTS SYNTHÉTIQUES : VALIDATION DE WAVANGLET, COMPARAISON AVEC DES
MÉTHODES USUELLES DE CLASSIFICATION

F IG . 4.5 – Comportement des indicateurs de classification vis à vis de la géométrie d’acquisition sur
la détection d’H2 O dans l’expérience 1 (glace d’eau et poussières) avec atmosphère. Chaque graphe
représente la fraction en masse d’eau en fonction de l’indicateur de présence d’eau. En rouge, pour des
angles d’incidence de 85° et d’émergence de 30° (angle de phase le plus grand). En bleu, pour des angles
d’incidence de 5° et d’émergence de 0° (angle de phase le plus petit). Les croix noires sont les autres
combinaisons d’angle.

4.2.3 Résultats des tests

Les résultats sont représentés sur les figures 4.5, 4.6 et 4.7.
Les résultats de l’expérience 1 (fig 4.5) montrent que les angles n’ont pas trop d’effets sur SAM,
Ratio LPG, Ratio IAS et Wavanglet.
Par contre, les indicateurs des méthodes distance et SFFTM sont très fortement dépendants de la géomé-
trie, car les points sont très dispersés.
Les méthodes SAM (respectivement SFFTM ) ont un comportement qui s’inverse : l’indicateur est d’abord
bien une fonction décroissante (respectivement croissante) de l’abondance de glace d’eau jusqu’à un seuil
de 60% en masse, puis l’indicateur se met à croître (respect. décroître). Ce comportement pose de sérieux
problèmes lors de la classification à seuil, car il ne permet pas de faire la différence entre des spectres
sans glace d’eau avec des spectres à 100% d’eau !
La méthode distance présente un dysfonctionnement puisque l’indicateur augmente alors que le mélange
se rapproche du pôle d’eau pure de référence. Cela prouve que la disparité de taille de grains entre la
référence et l’observation perturbe la classification basée sur le critère de la composition chimique.
Les résultats de l’expérience 1 sans absorption atmosphérique (fig 4.6) montrent que les effets atmo-
sphériques sont en partie à l’origine de la dispersion des points des indicateurs de la méthode distance et
SFFTM mais que malgré tout, la dépendance à la géométrie est non négligeable. L’effet de l’atmosphère
est négligeable pour les méthodes Ratio LPG, Ratio IAS et Wavanglet. La méthode SAM est affectée par
l’atmosphère car la courbe est un peu décalée.
Les résultats de l’expérience 2 avec mélange de glace de CO2 , d’eau et de poussière (fig 4.7) montrent
que les méthodes distance, SFFTM , SAM et Ratio LPG ne permettent pas de classer correctement les mé-
langes de glaces. Ces méthodes ne sont pas robustes vis à vis des effets du recouvrement de bande
d’absorption. Elles ne permettent pas d’extraire l’information lorsque les bandes d’absorption sont su-
perposées. Effectivement, la variabilité de l’indicateur en absence d’eau (0 % en masse) par rapport à
la variabilité totale (0 à 0,5 % en masse) quantifie l’effet des paramètres perturbateurs (géométrie, part
massique de poussière et de glace de CO2 ) sur la détection de l’eau.

85
CHAPITRE 4. “WAVANGLET” : UNE MÉTHODE DE DÉTECTION AUTOMATIQUE
SUPERVISÉE

F IG . 4.6 – Comportement des indicateurs de classification vis à vis de la géométrie d’acquisition pour
la détection d’ H2 O dans l’expérience 1 (glace d’eau et poussières) sans atmosphère. Chaque graphe
représente la fraction en masse d’eau en fonction de l’indicateur de présence d’eau. En rouge pour des
angles d’incidence de 85° et d’émergence de 30° (angle de phase le plus grand). En bleu pour des angles
d’incidence de 5° et d’émergence de 0° (angle de phase le plus petit). Les croix noires sont les autres
combinaisons d’angle.

F IG . 4.7 – Comportement des indicateurs de classification vis à vis de la géométrie d’acquisition sur la
détection d’H2 O dans l’expérience 2 (glace d’eau, CO2 et poussières) avec atmosphère. Chaque graphe
représente la fraction en masse d’eau en fonction de l’indicateur de présence d’eau. En rouge, pour des
angles d’incidence de 85° et d’émergence de 30° (angle de phase le plus grand). En bleu, pour des angles
d’incidence de 5° et d’émergence de 0° (angle de phase le plus petit). Les croix noires sont les autres
combinaisons d’angle.

86
 4.3. DÉTECTION DE GYPSE DANS LES PLAINES POLAIRE DU NORD

(a) Langevin et al. (b) Wavanglet

F IG . 4.8 – A gauche : carte de détection de sulfates et estimation d’“abondance” d’après Langevin et al.
(173). A droite : carte de l’angle de la méthode Wavanglet associée au pôle de Gypse pour l’observation
ORB0898_1.

Seuls Ratio IAS et Wavanglet permettent de faire une distinction correcte entre les spectres comportant
de l’eau et les autres.
La relative résistance des méthodes de Ratio, SAM et Wavanglet face aux conditions géométriques
réside dans le fait qu’elles sont indépendantes d’un facteur multiplicatif du continuum du spectre mesuré.
La non adéquation entre les tailles de grains observées et de référence semble jouer un rôle très important
pour la méthode distance mais aussi pour SFFTM et SAM, ce qui est plus étonnant.
En cas de recouvrement de bande, les méthodes doivent tenir compte des recouvrements (ce qui n’est
pas le cas de Ratio LPG qui n’a pas été bâti dans ce but !).
En conclusion, vu l’analyse que nous avons faite de ces tests synthétiques, seules deux méthodes
permettent d’effectuer une classification de composition dans de bonnes conditions : Ratio IAS et Wa-
vanglet.
Un tableau récapitulatif reprend le canevas de comparaison des méthodes de classification, de la sec-
tion 3.5 page 72. Les propriétés de bonne détermination des classes de corps chimiques sont synthétisées
dans l’index “classe de corps chimiques”. Un “+” est attribué pour chacune des propriétés suivantes :
non-exclusivité, faible dépendance à la géométrie d’acquisition, faible dépendance à la superposition des
bandes, faible sensibilité aux absorptions atmosphériques, faible sensibilité au bruit.

4.3 Détection de gypse dans les plaines polaire du Nord

Afin de tester Wavanglet sur des types de terrains martiens autres que les glaces, validons la méthode
Wavanglet pour la détection de gypse dans les plaines du Nord.
Cette détection a été faite par Langevin et al. (173) en analysant les données OMEGA. La figure 4.8
(à gauche) présente la carte d’“abondance” de cette étude. Il s’agit d’un rapport de bande après correction
empirique des bandes d’absorption atmosphériques.
La méthode Wavanglet, après une correction des absorptions atmosphériques (63), permet aussi de
détecter le gypse, confirmant ainsi sa présence de manière indépendante. La base spectrale de référence
utilisée pour cette étude est détaillée dans la section [Link]. Ces résultats sont représentés sur la figure 4.8
(à droite). Il s’agit de l’angle associé au spectre de référence de gypse. Cet angle mesure la ressemblance
entre le spectre de référence et les spectres observés.
Il existe un très bon accord entre la distribution spatiale des détections des deux méthodes, des études
plus détaillées permettront de montrer éventuellement quelques différences.

87
 Méthode de Wavanglet Rapport LPG Rapport IAS Distance L2 SFFTM pour SAM pour la
Classification pour la glace pour la glace pour la glace pour la glace la glace d’eau glace d’eau
d’eau d’eau d’eau d’eau
Classe de corps +++++ ++ ++++ ++ ++ +++
chimiques
CHAPITRE 4. “WAVANGLET” : UNE MÉTHODE DE DÉTECTION AUTOMATIQUE

Classe d’unité de ? ? ? ? ? ?
terrain
Sensibilité à la faible faible faible fort fort moyen
géométrie
d’acquisition
Sensibilité à la faible fort faible fort fort fort
superposition de
bande
Sensibilité aux faible fort faible fort fort faible
absorptions
atmosphérique
Réduction de Méthodes sélection sélection aucune “continuum aucune

88
dimension deux à deux + manuelle + 1 manuelle + 1 removal”
ondelettes rapport rapport
Ressemblance corrélation distance distance distance L2 ajustement corrélation
Exclusif / les deux les deux les deux les deux les deux les deux
non-exclusif
Temps de calcul court court court court court court
Nombre de seuils 1/classe 1/classe 1/classe 1/classe 1/classe 1/classe
+1 dans la
réduction
Base de référence base de base de base de base de base de base de
spectre de spectre de spectre de spectre de spectre de spectre de
référence référence référence référence référence référence
Sensibilité au bruit faible potentiellement potentiellement faible faible faible
SUPERVISÉE

fort fort
Règle de décision explicite / explicite / pa- explicite / pa- explicite / explicite explicite /
cône rallélépipède rallélépipède boule cône
TAB . 4.2 – Tableau récapitulatif des méthodes de classification spatiales
 4.4. BILAN ET PERSPECTIVES

4.4 Bilan et perspectives

Dans l’étude des surfaces planétaires, certains effets comme la géométrie d’acquisition, ou encore
les effets atmosphériques, constituent plus des perturbations qu’une source d’information. Il est donc
utile dans ces études, d’éliminer ces effets directement dans la réduction de dimensionnalité. La méthode
de réduction de dimensionnalité développée ici montre bien qu’il est possible de réduire l’effet de ces
paramètres.
Des améliorations de la méthodes Wavanglet sont encore possibles :
Pour tenir compte des effets de taille de grains variables, il serait judicieux d’utiliser des spectres de
référence de 2 ou 3 tailles de grains différentes dans la base spectrale de référence.
Il serait intéressant d’ajouter une étape à la méthodologie de réduction de dimensionnalité qui consiste à
retirer complètement les ondelettes comportant un signal atmosphérique fort. Dans ce cas, aucun spectre
de référence comportant les absorptions atmosphériques n’est nécessaire dans la base spectrale de réfé-
rence.
Une amélioration de l’estimation du sous-espace le plus discriminant peut être souhaitable, notamment
en utilisant un algorithme itératif pseudo-optimal (voir section 2.3.3 page 45). Aussi, une approche utili-
sant des bases de distributions spectrales peut être employée.
De plus, aucune optimisation de la famille d’ondelettes n’a été opérée, une amélioration significative est
attendue pour une famille d’ondelettes qui ressemble fortement aux bandes d’absorption, ce qui n’est pas
le cas des ondelettes de Debauchie.

89
Chapitre 5
Séparation de source appliquée aux images
hyperspectrales de télédétection

La séparation de source illustrée par Gotlieb (Crédit : Gotlieb).

91
CHAPITRE 5. SÉPARATION DE SOURCE APPLIQUÉE AUX IMAGES HYPERSPECTRALES DE
TÉLÉDÉTECTION

La séparation de source consiste à retirer une information plus élaborée que l’appartenance ou la non-
appartenance à une classe : la quantité d’une classe ! Cette notion de quantité de classe peut apparaître
quelque peu déroutante, appelons-la plutôt la proportion de mélange d’une source. Il s’agit donc de
“quantifier” alors que la classification se limite à “qualifier”.
En argumentant sur le fait qu’une observation se fait à une certaine résolution spatiale par nature
limitée, la séparation de source apparaît plus clairement. Si un objet géologique a un structure spatiale
plus fine que la résolution de l’instrument, le spectre en réflectance, associé à un pixel, est un mélange
des réflectances entre plusieurs types d’objets.
Dans le cadre d’un mélange géographique subpixel (défini dans la section [Link] page 31) - pour des
étendues caractéristiques d’objet comprises entre le libre parcours moyen horizontal des photons et la
résolution spatiale de l’instrument - les réflectances sont en mélanges linéaires.
Dans le cadre d’un mélange intime - pour des étendues caractéristiques d’objet inférieures au libre par-
cours moyen horizontal des photons - le mélange des réflectances est non-linéaire. Il apparaît donc naturel
que chaque spectre soit potentiellement un mélange, que la notion d’appartenance exclusive à une classe
n’est pas pertinente et que l’information intéressante réside dans la notion d’appartenance multiple avec
proportion de mélange.
La séparation de source peut se faire de façon supervisée ou non-supervisée - dans ce dernier cas, on
parle de séparation de source en aveugle (BSS pour Blind Source Separation en anglais).
La séparation de source est, en général, définie dans un cadre de mélange linéaire . Les non-linéarités
peuvent être résolues éventuellement si la séparation est supervisée. Dans le cas non-supervisée, il est
extrêmement difficile de traiter un problème non-linéaire car il existe un ensemble infini de solutions
(142).
Dans un premier temps, sont explicitées les hypothèses associées au problème linéaire (voir section
5.1). Suivront les méthodes supervisées (voir section 5.2) et non-supervisées (voir section 5.3).

5.1 Mélange linéaire : quelles hypothèses ?

Certaines méthodes de séparation de source ne traitent que des mélanges linéaires. L’objet de cette
section est de détailler les hypothèses sous-jacentes à cette situation.
En appliquant certaines hypothèses sur le transfert radiatif, il est possible d’écrire une équation li-
néaire sur le spectre observé en facteur de radiance. :
Ns
L(λ ) = Φ(λ ). cos(θi ). ∑ αi .Ri (λ ) + B(λ ) (5.1)
i=1

En introduisant les coefficients αi0 = αi . cos(θi ), l’équation s’écrit :

Ns
L(λ ) = ∑ αi0 .Φ(λ )Ri (λ ) + B(λ ) (5.2)
i=1

Ou encore sur le spectre en facteur de réflectance :

Ns
R(λ ) = ∑ αi .Φ(λ ).Ri (λ ) + B(λ ) (5.3)
i=1

Avec :
λ : longueur d’onde de la lumière
L(λ ) : spectre mesuré en facteur de radiance
R(λ ) : spectre mesuré en facteur de réflectance
Φ(λ ) : spectre atmosphérique en transmission
θi : angle d’incidence entre la direction solaire et la normale locale à la surface
θi : angle d’incidence entre la direction solaire et la normale locale au géoïde planétaire

92
 5.2. SÉPARATION DE SOURCE SUPERVISÉE

αi : coefficient de mélange ou proportion de mélange de la source “i”

Ri (λ ) : spectre en réflectance associé à la source “i”
Ns : nombre de sources
B(λ ) : vecteur aléatoire de bruit (occurrence de la variable aléatoire bruit pour l’observation en question)
Les hypothèses suivantes sont effectuées :
1. Surface lambertienne : L(θi , θe , λ ) = L(λ )
Les propriétés de réflectance de toutes les surfaces sont supposées isotropes. Comme cela n’est
pas le cas en général, les variations spatiales des coefficients de mélange traduisent également les
différences de comportement photométrique entre types de terrain.
2. Mélange géographique subpixel uniquement. Si des mélanges, à une échelle plus petite que le libre
parcours moyen, sont présents dans l’image, alors ils sont compris dans la signature de chaque
source “i” (voir section [Link] page 31). Cette hypothèse permet d’écrire la réflectance de surface
comme somme linéaire : ∑Ni=1 s
αi .Ri (λ ). Si cette hypothèse est vérifiée, nous pouvons remplacer
l’indice “i” par l’indice “z”. Dans ce cas αz correspond à la proportion de surface couverte.
3. Diffusion dans l’atmosphère négligeable. Cette hypothèse permet de réduire la complexité du cou-
plage surface/atmosphère à un simple facteur multiplicatif correspondant à la transmission atmo-
sphérique : Φ(h, θi , θe , λ ) (voir section 1.3.5 page 30).
4. Transmission atmosphérique constante. Cette hypothèse simplifie la contribution atmosphérique,
pour tous les spectres de l’image pour écrire Φ(h, θi , θe , λ ) = Φ(λ ), avec h l’altitude. Cette hypo-
thèse est valide si les variations d’altitude et d’angles d’incidence et d’émergence à l’intérieur de
l’image, produisent de faibles variations spectrales. Si la transmission spectrale peut être calculée
avec précision, on peut aisément s’abstraire de cette hypothèse en divisant les spectres de l’image
par Φ(h, θi , θe , λ ), préalablement à la séparation de source.
5. L’équation 5.3 en facteur de réflectance est accessible si l’angle d’incidence θi est connu (pour
OMEGA, il est estimé grâce à la topographie MOLA). Sinon, il peut être approximé par θi = θi
(pas de rugosité de surface) comme c’est le cas pour notre utilisation des observations OMEGA.
Nous avons choisi cette solution approximée car le positionnement spatial d’OMEGA n’est pas
assez précis.
Notons les hypothèses ML1 à ML5 (ML pour mélange linéaire). Ces différentes hypothèses ML sont
toutes invalidées dans une situation planétologique réelle. L’interprétation des résultats doit tenir compte
de cette évidence. Cependant, l’ensemble des hypothèses conduit à une approximation valide si on s’in-
téresse à une évaluation grossière du poids de chaque source (classe ou type de terrain) pour un pixel
donné.
L’utilisation de ces équations linéaires consiste à projeter la complexité du transfert radiatif dans un
système simple. Il est toujours possible d’obtenir des résultats, parfois même avec une grande qualité de
reproduction du spectre initial (faible erreur RMS) mais la complexité réelle du transfert radiatif ne doit
jamais être perdue de vue.

5.2 Séparation de source supervisée

La séparation de source supervisée peut être effectuée à l’aide de trois ensembles de méthodes dé-
taillées ci-après : la profondeur de bande, les méthodes linéaires, les méthodes non-linéaires.
Un historique des méthodes de séparation de source est proposé par Keshava et Mustard (148).

5.2.1 Profondeur de bande

Pour s’affranchir des effets du continuum et s’affranchir d’une éventuelle mauvaise calibration, la
méthode usuelle des astronomes est basée sur la profondeur de bande, notée B basée sur un rapport
de bande noté R. Cette méthode a fait l’objet de la section 2.1 page 39 pour ses qualités concernant la
réduction de dimensionnalité. Cependant, ce type de méthode dépasse la réduction de dimensionnalité

93
CHAPITRE 5. SÉPARATION DE SOURCE APPLIQUÉE AUX IMAGES HYPERSPECTRALES DE
TÉLÉDÉTECTION

et la classification, car elle produit un indicateur d’ “abondance”. Ces interprétations ont été entre autre
faites par Langevin et al. sur les glaces martiennes (172).
Les études numériques produites au chapitre 4.2 page 82 et notamment les résultats des figures 4.5,
4.6 et 4.7 donnent des indications sur les limites de cette méthode . Deux définitions de profondeur de
bande sont étudiées :
– Ratio LPG : C’est une profondeur de bande BH2 O (2, 5µm) de la glace d’eau (voir équation 2.2
page 39)
– Ratio IAS : C’est une profondeur de bande BH2 O (1, 5µm) de la glace d’eau (voir équation 2.4
page 40).
Est-ce que ces profondeurs de bande indiquent bien une abondance ? Quels sont les effets des conditions
géométriques, des absorptions par les gaz atmosphériques ? Quels sont les effets des mélanges entre
différents corps ? Pour répondre à ces questions, analysons les études numériques précédentes :

1. Cas d’un mélange intime poussière/glace d’eau (expérience 1).

– En étudiant la relation entre la profondeur de bande et l’abondance massique réelle, il est pos-
sible d’estimer la qualité de l’estimation. La première expérience numérique (voir figure 4.5)
montre qu’il existe une relation bijective proche de l’égalité entre les rapports IAS et LPG d’une
part, et l’abondance. Cette relation est valable indépendamment des conditions géométriques. Le
contraste de taille de grain de poussière et d’eau, d’un ordre de grandeur seulement, ne malmène
pas la bijectivité.
– En comparant les résultats avec l’atmosphère (voir figure 4.5) et sans (voir figure 4.6), il parait
évident que les gaz atmosphériques n’ont pas d’effets significatifs sur l’estimation de l’abon-
dance pour aucun des deux rapports. La contribution des absorptions des gaz atmosphériques
étant quasi nulle sur les canaux utilisés.

2. Cas d’un mélange intime poussière / glace d’eau / glace de CO2 (expérience 2).
– En étudiant la relation entre la profondeur de bande et l’abondance massique réelle, il est pos-
sible d’estimer la qualité de l’estimation. La seconde expérience numérique (voir figure 4.7)
montre que la relation bijective n’existe plus. Un mélange intime comportant des tailles de grains
différents (plus de trois ordres de grandeur de différence) conduit à une mauvaise estimation des
abondances.
– Les effets géométriques peuvent être estimés grâce à l’écart entre les points de couleur rouge
par rapport aux points de couleur bleue, correspondant à deux situations géométriques extrêmes.
Les deux expériences (voir figure 4.5 et 4.7) montrent que les points sont toujours relativement
proches. Ces effets ne sont donc pas prépondérants pour les ratios. Notons tout de même que
l’expérience 2 semble assujettir plus fortement les ratios aux effets géométriques.
– Le recouvrement des bandes de glace d’eau et CO2 , présent pour le Ratio LPG dans l’expérience
2, produit un effet d’éclatement du nuage de points (voir figure 4.7) plus important que pour le
Ratio IAS. Le Ratio IAS est construit pour répondre à ce problème de recouvrement tandis
que Ratio LPG n’a pas été produit dans ce but. La poussière est un corps spectralement neutre,
sans bande d’absorption, qui ne produit pas d’altération du signal de profondeur optique. Il
n’y a donc pas de différences entre les deux Ratios pour l’expérience 1 (voir figure 4.5). En
revanche, la glace de CO2 est un corps optiquement absorbant qui modifie fortement l’indicateur
de profondeur de bande. L’expérience 2 met en évidence ce fait, car l’éclatement du nuage de
points est plus important pour le Ratio LPG, notamment quand la proportion massique d’eau est
de 0%.

Les trois caractéristiques limitantes, exposées à la section 2.1 page 39, sont toujours valides. Ces ex-
périences numériques montrent que le recouvrement de bande d’absorption induit des effets non négli-
geables sur les spectres, illustrant la dernière caractéristique limitante.

94
 5.2. SÉPARATION DE SOURCE SUPERVISÉE

5.2.2 Mélange linéaire

Cette méthode consiste à prétendre que chaque spectre mesuré est une combinaison linéaire de
spectres de référence. Les différents types de spectre de référence sont détaillés au chapitre de réduc-
tion de dimensionnalité (voir section 2.2 page 41). Les coefficients de mélange linéaire entre pôles sont
interprétés comme des abondances. L’équation linéaire sur des spectres en réflectance devient :
Ns
S(λ ) = ∑ αi .Si (λ ) + ε(λ ) (5.4)
i=1

Avec :
S(λ ) : spectre (en général mesuré en facteur de réflectance).
αi : coefficient de mélange ou proportion de mélange de la source “i”
Si (λ ) : spectre associé à la source “i” (en général mesuré en facteur de réflectance)
Ns : nombre de sources
ε(λ ) : erreur à minimiser (bruit + incohérences du modèle)
Dans un cube hyperspectral, il existe Nz spectre, noté d’un indice “z” : Sz (λ ) = Cλ ,z , l’équation
linéaire s’écrit en notation matricielle :

Cλ ,z = Sλ ,i .α i,z + ε λ ,z (5.5)
Cette équation linéaire est valable uniquement en effectuant les hypothèses ML détaillées au chapitre
5.1. Conjointement à ces hypothèses, la séparation de source linéaire se fait en général sans contribution
atmosphérique. Le terme Φ(λ ) des absorptions atmosphériques est soit négligé, soit incorporé dans un
des pôles de la combinaison linéaire, soit éliminé grâce à une correction atmosphérique plus ou moins
simple. La première pratique est satisfaisante uniquement si les canaux, ayant une contribution atmo-
sphérique significative, sont retirés avant séparation. La seconde n’est pas justifiée du point de vue du
transfert radiatif mais permet néanmoins une certaine correction. La troisième semble être la plus appro-
priée.
En principe, la séparation linéaire de source supervisée donne une valeur indicatrice de l’abondance
à la surface mais le choix des spectres de référence ne permet pas toujours de faire cette séparation de
sources pour plusieurs raisons :
1. Si une des hypothèses du mélange linéaire est invalide (voir section 5.1 page 92) :

(a) Pour l’hypothèse ML 1 invalidée, les surfaces sont non-lambertiennes. C’est à dire que leurs
spectres en réflectance sont contrôlés en partie par la géométrie d’acquisition et par la taille
des grains. Cependant, une estimation correcte de l’abondance est tout de même possible à
la condition suivante : les spectres de références doivent être pris dans les mêmes conditions
géométriques que le spectre observé.
(b) Pour l’hypothèse ML 2 invalidée, les mélanges sont non-linéaires. En revanche, si une partie
du mélange est linéaire, les fractions de surface ont un sens et peuvent être estimées aux
conditions suivantes : chaque spectre de zone Sz doit être représenté dans la base de référence
(voir section [Link] page 31).

2. Les spectres étant non-orthogonaux et surtout potentiellement linéairement dépendants, la solution

de l’équation 5.4 n’est pas unique pour une collection de spectres de référence Si (λ ). Plusieurs
approches sont possibles, la plus simple étant la détermination des coefficients de mélange pour
tous les spectres d’une large base spectrale, même pour ceux qui ne sont pas présents dans la
scène. Or, les coefficients de mélange issus du calcul, dépendent de tous les spectres présents
dans la base. Ils sont mal estimés avec cette approche simple, à cause des spectres de référence
non présents dans la scène. La solution pseudo-idéale (car l’incomplétude de la base est toujours
vérifiée) est de conserver uniquement les spectres de référence présents dans la scène mais, sans
vérité terrain (cas fréquent en Planétologie), il est difficile de les connaître a priori.

95
CHAPITRE 5. SÉPARATION DE SOURCE APPLIQUÉE AUX IMAGES HYPERSPECTRALES DE
TÉLÉDÉTECTION

Néanmoins, la séparation de source supervisée en mélange linéaire est appliquée dans le domaine de la
télédétection spatiale . Détaillons quelques utilisations des bases spectrales de référence et des bases de
distribution spectrale de référence.

Base spectrale de référence La méthode la plus simple consiste simplement à ajuster les αi tel que
kε(λ )k soit minimisé. Elle est utilisée par exemple sur les données TES sur Mars Global Surveyor/NASA
(279; 15; 253).
Pour répondre au problème n°2 de la non-unicité des solutions, il apparaît comme naturel d’ajouter
la contrainte mathématique αi ≥ 0, car une abondance négative n’a pas de sens.
La proposition de la thèse de Jean-Philippe Combe, est de garantir la positivité d’une façon originale :
en éliminant itérativement les spectres ayant des coefficient négatifs (53). L’idée de base repose sur le
fait que l’affectation d’un coefficient négatif est improbable si le spectre de référence est présent dans le
mélange. Cette hypothèse peut être invalidée dans un mélange linéaire en cas de recouvrements.
Exhibons un contre-exemple : soit un spectre S comportant glace d’eau et hydrates. La similarité des
formes spectrales de ces composants (glace, hydrates) ne permet pas de les distinguer facilement. De
ce fait, il est possible de reconstruire le spectre S avec un coefficient positif fort pour un composant
et un coefficient négatif pour l’autre. Ce coefficient négatif ne signifie pas pour autant une absence du
composant. Pour répondre à ce problème, Jean-Philippe Combe propose un retrait aléatoire et itératif des
spectres de référence à coefficient négatif qui permettrait d’optimiser la solution.
La méthode “non negatively constrained least squares” propose d’intégrer le fait que les coefficients
sont positifs ou nuls. Elle est basée sur les multiplicateurs de Lagrange. Elle semble efficace dans l’esti-
mation de l’abondance de certains composants chimiques par spectroscopie (169).
En imposant à la fois la positivité de façon mathématique et la somme des proportions égale à un,
le problème est connu sous le nom de “Fully Constrained Least Squares”. Il a été résolu par Lawson et
Hanson (180) et a été utilisé dans le domaine de la télédétection dans la thèse de Cécile Gomez (96).

Base de distribution spectrale de référence Le passage du mélange linéaire avec des spectres de ré-
férences déterministes au mélange linéaire avec des distributions spectrales de référence est discuté dans
l’article de Settle (266). Cette étude donne lieu à une méthode qui permet d’estimer la distribution des
spectres de références sous forme de distributions gaussiennes. La positivité des solutions n’est pas im-
posée mathématiquement mais l’article montre que certains algorithmes de sélections des “endmembers”
ont des propriétés telles que la solution sur les αi soit toujours positive (56).

5.2.3 Mélange non-linéaire

Afin de tenir compte des non-linéarités de la physique de transfert radiatif qui interviennent si l’une
des hypothèses explicitées au chapitre 5.1 n’est pas valable, il est possible d’avoir deux attitudes. La pre-
mière consiste en l’application d’une transformation mathématique de telle manière à rendre le problème
linéaire. Ce type de méthode requiert des hypothèses simplificatrices à l’égard du transfert radiatif. La
seconde est d’ordre semi-empirique et propose d’incorporer des relations empiriques non-linéaires dans
l’interprétation des sources.

Méthode de linéarisation Il s’agit de faire une inversion de la physique du transfert radiatif de telle
manière que le problème soit linéarisé.
Par exemple, dans la formulation de Hapke (voir [Link] page 29), un mélange intime granulaire se
traduit par une combinaison linéaire des albédos de diffusion simple moyens de chaque famille de grains.
Cette combinaison est alors transformée en réflectance en utilisant la solution (non linéaire) de l’équation
de transfert radiatif. Mustard et al. proposent d’inverser cette transformation afin de s’abstraire au maxi-
mum de l’influence de la géométrie d’acquisition et de réaliser la séparation de source dans un espace
où le mélange est linéaire (225). Cette linéarisation est possible en albédo de diffusion simple. La linéa-

96
 5.3. SÉPARATION DE SOURCE EN AVEUGLE

risation, appliquée à des mers lunaires, montre que les prises en compte des non-linéarités des mélanges
intimes et de la photométrie des surfaces, améliorent l’interprétation planétologique des résultats.

Méthodes semi-empiriques La méthode SFFTM (Spectral Feature Fitting) déjà présentée au cha-
pitre [Link] page 67, incluse dans le logiciel IDL/ENVI (1; 47), appartient à cette catégorie de méthode
semi-empirique. Il s’agit de mettre à l’échelle le spectre de référence pour coller au mieux au spectre
observé, en prenant soin au préalable de retirer les continuum de tous les spectres. La méthode d’élimi-
nation du continuum est décrite au chapitre 2.4.1 page 47.
L’élimination du continuum parait intéressant pour réduire les effets des conditions géométriques d’ob-
servations. L’automatisation de ces méthodes pour de larges collections d’images hyperspectrales n’est
possible que si ces méthodes sont relativement indépendantes des effets indésirables : des conditions géo-
métriques ou la superposition des bandes d’absorption de corps différents, .... En principe, la méthode
SFFTM doit comporter toutes ces propriétés. Mais des tests sur des observations synthétiques montrent
que la méthode SFFTM est en fait très dépendante des conditions géométriques et de l’adéquation des
tailles de grains entre les spectres de référence et les spectres observés (voir section 4.2 page 82).
Une autre méthode, appelée Modified Gaussian Model (MGM), est basée sur une décomposition des
bandes d’absorption en différentes gaussiennes (286). Elle est surtout utilisée pour des terrains en assem-
blages de minéraux ferro-magnésiens.
Il s’agit d’ajuster au mieux une somme de gaussiennes, à un spectre observé, en incorporant des in-
formations spectroscopiques sur les bandes d’absorption et leurs relations mutuelles. Ces informations
spectroscopiques a priori sont déterminées d’après des considérations théoriques et des observations de
laboratoire. Cet ajustement utilise une inversion généralisée (290) pour tenir compte à la fois des infor-
mations a priori et des données observées. L’état d’information final réside sur les moyennes (position
des bandes) et les écarts-types des gaussiennes (largeur des bandes) qui renseignent sur la nature des
minéraux.
En effet, des études de laboratoire sur les olivines ont permis de calibrer ces paramètres spectraux avec
les proportions de mélange physique des matériaux (287).
Ce type de méthode est utilisé sur des données réelles, par exemple pour OMEGA par Pinet et al. (240),
ou sur des données lunaires (230).

5.3 Séparation de source en aveugle

La séparation de source en aveugle désigne l’ensemble des méthodes qui déterminent les sources et
les abondances de manière non-supervisée. La première partie est consacrée aux méthodes par extraction
automatique d’endmember, les parties suivantes sont basées sur des méthodes statistiques de plus en plus
évoluées.

5.3.1 Extraction d’endmember et mélange linéaire

Ce type de méthode procède en deux étapes majeures. La première consiste à extraire des spectres
de référence extrêmes ou “endmember” de l’image hyperspectrale (voir section 2.2 page 41), avec par
exemple l’algorithme PPI (Pixel Purity Index) (28). La seconde consiste à déterminer les abondances
de mélange de ces pôles purs qui permettent de reconstruire chaque spectre de l’image. Mentionnons
quelques études appartenant à cette catégorie.
Les travaux de thèse de Cécile Gomez (96) sont structurés en trois étapes : les deux étapes ci-dessus,
ainsi qu’une étape intermédiaire qui consistent en l’identification des composants présents dans chaque
pôle. Ainsi, se succèdent : (i) la détermination des spectres de référence extrêmes de l’image en utilisant la
méthode N-FINDR ou ACI ; (ii) l’identification des corps purs présents dans chaque endmember à l’aide
de la méthode SAM et d’une base de données de laboratoire (voir [Link] page 66) ; (iii) l’estimation de
l’abondance avec un algorithme de mélange sous contrainte “Fully Constrained Least Squares” (180).

97
CHAPITRE 5. SÉPARATION DE SOURCE APPLIQUÉE AUX IMAGES HYPERSPECTRALES DE
TÉLÉDÉTECTION

Citons une autre étude (237) qui propose une première étape de sélection itérative des endmembers
de l’image - gardés uniquement s’ils sont différents entre eux et s’ils ressemblent à des spectres de
références. La deuxième étape est une classification à seuil utilisant une ACP.
Une autre étude propose un mélange linéaire utilisant une base de distribution spectrale de réfé-
rence (20). Cette base de référence est déterminée de façon non-supervisée sous forme de distributions
spectrales pour chaque spectre extrême : les “bundles”.
Aussi complexe que soit la représentation de terrain, si elle comporte un mélange géographique
subpixel, il existe un mélange linéaire de spectres, issus de zones différentes. A chaque zone “z” en
mélange géographique subpixel est associé un spectre Sz , qui peut avoir une représentation de surface
particulière en mélange intime .
L’approche non-supervisée avec extraction des spectres de référence extrêmes permet de dépasser
l’approche supervisée (voir chapitre 5.2.2 page 95) car elle permet d’estimer l’ensemble exhaustif des
pôles spectraux Sz de l’image. Toutefois, l’estimation du spectre Sz est approchée car il s’agit simplement
d’un spectre référence extrême de l’image le plus proche de Sz (voir section 2.2 page 41). Cette différence
est illustrée sur la figure 3.1.

5.3.2 Mélange linéaire et décorrélation

Les parties suivantes concernent la séparation de source en aveugle en se basant sur des méthodes
statistiques. Chaque titre de chapitre explicite les hypothèses statistiques faites sur les sources.

[Link] Décorrélation et mélange linéaire

Cette sous-section porte sur la séparation de sources en effectuant deux hypothèses : les sources sont
en mélange linéaires et les sources sont décorrélées entre elles. C’est à dire qu’elles ont une covariance
nulle. L’Analyse en Composante Principale (ACP) réalise cette séparation de source non supervisée
puisque les nouvelles variables aléatoires sont décorrélées, comme souligné dans le chapitre de l’ACP
concernant la réduction de dimensionnalité (voir chapitre 2.4.2 page 47). Le problème de séparation de
source linéaire s’écrit :
Ns
S(λ ) = ∑ Ai (λ ).Pi + ε(λ ) (5.6)
i=1

En écriture matricielle pour tout le cube hyperspectral, cette relation devient :

Cλ ,z = Aλ ,i .Pi,z + ε λ ,z (5.7)

En comparant ces équations avec les équations du mélange linéaire en séparation de source supervi-
sée (équation 5.4 et 5.5), il apparaît que : Si (λ ) = Ai (λ ) et αi = Pi . En notation matricielle : Sλ ,i = Aλ ,i
et α i,z = Pi,z .
Deux descriptions, utilisant deux type de vocabulaires différents, sont possibles. D’une part, la com-
munauté des planétologues utilise les termes suivants : “signature spectrale” et “composantes”. Les signa-
tures spectrales sont des spectres. Les spectres observées forment un mélange de signatures spectrales,
à proportion des composantes qui sont des images. Ce vocabulaire est attaché à la dimensionnalité (spa-
tiale ou spectrale).
D’autre part, la communauté des statisticiens utilisent les termes suivants : “source” et “matrice de mé-
lange”. Les sources sont des variables aléatoires (dans la dimension spectrale ou spatiale !). Les signaux
observées (dans la dimension spectrale ou spatiale !) sont issus d’un mélange de sources en proportion
d’une ligne de la matrice de mélange (dans la dimension spectrale ou spatiale !).
Afin de réduire les ambiguïtés, considérons le “mélange spatial” : il faut absolument noter que le
vecteur de la “matrice de mélange” correspondant à la source “i”, noté Ai (λ ), est un spectre. On parle
parfois aussi d’“axe” portant la source “i”. Le “coefficient de mélange” ou “proportion de mélange” de
la source “i”, noté αi , est un scalaire. De la même manière, il faut distinguer le terme Si (λ ) qui est le

98
 5.3. SÉPARATION DE SOURCE EN AVEUGLE

spectre associé à la source “i”, du terme Pi qui est l’occurrence de la source “i”. Ces termes et leurs noms
associés sont usuels dans la littérature de la séparation de source et des mélanges supervisés, j’ai choisi
de les conserver pour cette thèse. L’expression “mélange spatial” est ambiguë car la matrice de mélange
est constituée de spectres et les sources sont des proportions de surfaces. Nous allons donc éliminer cette
terminologie. De la même manière, le problème transposé dit de “mélange spectral” (voir ci-après) porte
à confusion.
En identifiant chacun des termes de la séparation de sources à l’équation linéaire de la réflectance 5.1
exprimée en facteur de radiance, on obtient les relations suivantes :

Ai (λ ) = Φ(λ ).Ri (λ ) (5.8)

Pi = αi . cos(θi ) (5.9)
B(λ ) = B(λ ) (5.10)
L’identification sur l’équation exprimée en facteur de réflectance (voir équation 5.3) est similaire à
celle-ci, en utilisant le facteur cos(θi ) = 1.
En introduisant une renormalisation des sources, il est possible d’éliminer le facteur cos(θi ) pour des
données en facteur de radiance :
Pi αi . cos(θi ) αi
Pi0 = Ns = Ns = Ns = αi0 (5.11)
∑i=1 Pi ∑i=1 αi . cos(θi ) ∑i=1 αi
L’équation 5.6 s’écrit alors :
Ns
S(λ ) = ∑ Ai (λ ).Pi0 + B(λ ) (5.12)
i=1
Cette équation est valable uniquement si les hypothèses ML sont toutes valides (voir section 5.1).

[Link] Décorrélation spatiale ou spectrale

Les données sont organisées sous forme de matrice Cz,λ dans laquelle les dimensionnalités spatiales
ont été aplaties. Le nombre de pixels total est Nz . Le nombre de spectels total est Nλ . Il est possible d’ap-
pliquer une ACP de deux manières différentes suivant l’hypothèse de décorrélation spatiale ou spectrale.
Les deux problèmes, liés par une simple transposition, ne sont pas équivalents. Le tableau 5.1 compare
les propriétés des deux approches.
– “Décorrélation spatiale” : La décorrélation spatiale est l’hypothèse sous-jacente à l’identification
précédente (voir équations 5.8, 5.9 et 5.10). L’approche spectroscopique classique, telle que pré-
sentée au chapitre 2.4.2 page 47, considère une décorrélation spatiale. Cette approche est liée à
l’écriture de la réflectance en mélange linéaire, présentée au chapitre 5.1 page 92, supposant un
mélange entre spectres. C’est un problème bien contraint car, dans le cas des images hyperspec-
trales, le nombre de sources est en général bien inférieur à la dimension spectrale Nλ . De plus,
l’évaluation statistique est bien posée, car le nombre Nz d’occurrence des variables aléatoires de
travail est très grand (de l’ordre de la centaine de milliers). Enfin, le bruit est correctement modélisé
par cette approche puisque le nombre d’occurrences du bruit est la dimension spatiale Nz . Néan-
moins, l’hypothèse statistique de décorrélation spatiale des sources n’est pas valide car la somme
des occurrences des sources égale à un quand elles sont interprétées comme des proportions de
surface.
– “Décorrélation spectrale” : Dans l’identification précédente, il suffirait d’échanger les termes
Ai (λ ) en Pi (λ ) et Pi en Ai pour obtenir un mélange qui sous-tend la décorrélation spectrale. La
décorrélation spectrale est une hypothèse correcte si les corps purs en présence ont des spectres
décorrélés, ce qui semble valable d’un point de vue spectroscopique. Cependant, certains portions
de spectres peuvent parfois être corrélées. Par exemple, certaines liaisons chimiques, comme la

99
CHAPITRE 5. SÉPARATION DE SOURCE APPLIQUÉE AUX IMAGES HYPERSPECTRALES DE
TÉLÉDÉTECTION

TAB . 5.1 – Comparaison entre l’ACP spatiale et l’ACP spectrale

Méthode décorrélation spectrale décorrélation spatiale
Matrice de données Cz,λ ∼ Az,i .Pi,λ CTλ ,z ∼ Aλ ,i .Pi,z
Dimension des signaux Nz ∼ 100000 Nλ ∼ 200
Nombre d’occurrences de signaux Nλ ∼ 200 Nz ∼ 100000
Matrice de mélange Az,i Aλ ,i
Nombre de sources Np ∼ 5 Np ∼ 5
Nombre d’éléments Nz .Np ∼ 500000 Nλ .Np ∼ 1000
Matrice des sources Pi,λ Pi,z
Nombre d’occurrences Nλ ∼ 200 Nz ∼ 100000
Matrice de bruit B j,λ B j,z
Dimensionnalité d’occurrence spectrale spatiale
Nombre d’occurrences Nλ ∼ 200 Nz ∼ 100000
Estimation statistique mauvaise bonne
Hypothèse statistique de décorrélation moyenne mauvaise

liaison O-H qui forme la bande à 3 microns, sont présentes dans de nombreux matériaux martiens.
L’hypothèse de décorrélation spectrale est donc mise à mal. De plus, elle est associée à un pro-
blème sous-contraint. Enfin, le bruit est mal modélisé puisque le nombre d’occurrences est égal à
la dimension spectrale, c’est à dire de l’ordre de la centaine seulement.
En conclusion, l’ACP en décorrélation spatiale est la plus utilisée, car la robustesse semble être le critère
essentiel.

[Link] Indétermination d’ordre et de signe

L’ACP permet d’estimer des sources mais, deux indéterminations majeures, intrinsèques à la mé-
thode, persistent :
Indétermination d’ordre : on peut échanger l’ordre des sources sans changer le résultat tant que la
somme ∑Ni=1s
Ai .Pi reste inchangée.
Indétermination de signe : il est toujours possible de multiplier la source par -1 et de multiplier
la matrice de mélange aussi par -1 sans changer le résultat de la somme ∑Ni=1
s
Ai .Pi , ni la variance, ni la
covariance (qui est nulle). Les sources sont donc définies à un signe près.

[Link] Résultat sur des données réelles

Montrons maintenant que l’ACP en décorrélation spatiale ne produit pas de résultat interprétable
en terme de propriétés de surface. Appliquons cette méthode sur des données en réflectance d’une ob-
servation particulière d’OMEGA de la calotte permanente sud de Mars (ORB0030_0, ORB0041_1 et
ORB0061_1), nettoyée des spectels pollués par du bruit. Les trois premières lignes de la matrice de mé-
lange, associée aux trois sources de variances les plus élevées, ont été représentées sur la figure 5.1.
Bien que ces axes soient assez stables d’une image à une autre, il est impossible de les interpréter comme
des spectres sources physiques, notamment à cause de la possible négativité. Il est par ailleurs impossible
de les associer à un phénomène photométrique ou instrumental particulier.
L’application de l’ACP pour la séparation de source sur des données OMEGA a été développée au
cours de mon stage de Master 2 (261) et prolongé au cours de cette thèse.
L’hypothèse de décorrélation des sources a une signification géométrique : les axes portant les
sources doivent être orthogonaux. En reprenant, l’étude de Douté et al. sur la calotte permanente sud
(64), présentée au chapitre 3.1.1 page 61, il est possible de tracer grossièrement, dans le sous espace des
deux premières composantes ACP, un diagramme triangulaire dont les sommets expriment les sources

100
 5.3. SÉPARATION DE SOURCE EN AVEUGLE

(a) ACP Axe 1

(b) ACP Axe 2

(c) ACP Axe 3

F IG . 5.1 – Matrice de mélange associée aux sources de variance la plus élevée (Axe 1), la seconde plus
grande (Axe 2) et la troisième (Axe 3). Trois observations de la calotte permanente sud sont mises en
correspondances (noir : ORB0030_0 / rouge : ORB0041_1 / bleu : ORB0061_1). Parfois ces axes ont
été multipliés par -1.

101
CHAPITRE 5. SÉPARATION DE SOURCE APPLIQUÉE AUX IMAGES HYPERSPECTRALES DE
TÉLÉDÉTECTION

F IG . 5.2 – Classification manuelle spectrale utilisant la MNF par Douté et al. (64) (voir figure 3.1
page 62). Les endmembers sont les spectres correspondants aux points les plus proches des pôles de
poussière (dust - rouge), d’eau (bleu) et de CO2 (vert). Les axes de couleurs superposés à la classification
représentent les trois axes supposés de poussière (rouge), d’eau (bleu) et de CO2 (vert). Ces axes sont
non-orthogonaux.

de glace d’eau, glace de CO2 et poussière (voir figure 5.2).

Les côtés du triangle sont non-orthogonaux entre-eux, donc l’hypothèse de décorrélation entre ces trois
sources potentielles ne semble donc pas correcte. Néanmoins, il est tout de même possible que ces axes
soient orthogonaux, dans un sous espace plus grand que celui des deux premières composantes de l’ACP.
La méthode supervisée Wavanglet développée au cours de cette thèse (voir annexes 13 page 219
et 4.1.1 page 78) et appliquée à l’observation ORB0041_1, permet de tester l’hypothèse de décorréla-
tion des sources dans le domaine spatial ou spectral. Il suffit de mesurer la corrélation des masques de
détection et des spectres de références, pour tester cette hypothèse.
Corrélations spatiales des masques de détection :
 
1 −0, 61 −0, 24
Cspatial (poussiere, CO2 , H2 O) =  −0, 61 1 −0, 25  (5.13)
−0, 24 −0, 25 1
Corrélations spectrales des spectres de références (voir annexe 4.1.1 page 78) :
 
1 0, 15 0, 31
Cspectral (poussiere, CO2 , H2 O) =  0, 15 1 0, 73  (5.14)
0, 31 0, 73 1

Dans le domaine spatial, il existe une très forte anti-corrélation entre la présence de glace de CO2 et de
poussière. L’explication la plus simple consiste à prétendre que la glace de CO2 masque complètement le
substrat minéral. Dans une autre mesure, la poussière étant spectralement neutre, il peut y avoir un biais
de détection de l’algorithme de détection Wavanglet, détectant uniquement les formes spectrales. Dans
le domaine spectral, les glaces d’eau et de CO2 à l’échantillonnage spectral d’OMEGA présentent une
très forte corrélation. Cette corrélation est fortuite, elle devrait disparaître si la fenêtre spectrale grandit
ou l’échantillonnage augmente.

5.3.3 Mélange linéaire et indépendance

La séparation de source en aveugle, dans le cadre d’un mélange linéaire et d’une hypothèse statistique
d’indépendance des sources, est plus connue sous le nom d’Analyse en Composante Indépendante ou
ACI (170; 127). C’est une méthode récente qui corrige une limitation de l’ACP utilisée pour faire de

102
 5.3. SÉPARATION DE SOURCE EN AVEUGLE

la séparation de source. Il s’agit d’éliminer l’hypothèse mathématique très contraignante de l’ACP :

l’orthogonalité des axes. Dans le cadre de l’ACI, les axes sont toujours linéaires - ce sont des axes ! - mais
une opération de rotation s’effectue pour maximiser un indicateur pertinent de la distribution qui vient
remplacer la variance (moment d’ordre 2). Il existe plusieurs indicateurs qui ont comme point commun
d’exprimer l’indépendance des sources en terme de moments ou cumulants d’ordre supérieur à deux. On
parle alors de “statistique d’ordre supérieur”. En général, les données sont centrées et réduites avant une
ACI, la communauté de traitement du signal désigne cette étape par le terme de “standardisation”.
La séparation de source en aveugle est liée au problème du “cocktail party” : tout le monde parle en
même temps et on veut retrouver chacune des voix pures, chacune des sources (voir illustration de Gotlieb
91). Pour une présentation historique du problème, j’invite le lecteur à lire les thèse de Sophie Achard
(3) et Saïd Moussaoui (222). Pour une présentation mathématique des méthodes d’ACI, les deux livres
suivants sont extrêmement enrichissants (170; 127). Si les hypothèses d’indépendance et de mélange
linéaire sont vérifiées, il est possible de résoudre ce problème. L’ACI est donc utilisée dans un grand
nombre de domaine : par exemple en cosmologie, il est possible de séparer le fond diffus cosmologique
des contributions galactiques, au sein des observations du ciel dans le domaine micro-onde (13).
L’écriture du problème linéaire de séparation de source s’écrit de la même manière que pour l’hy-
pothèse de décorrélation (voir équation 5.6 au chapitre 5.3.2 page 98). Les équations 5.8, 5.9 et 5.10
d’identification sont toujours valides. Il est encore possible d’effectuer la renormalisation de l’équation
5.11 dans le cas de l’ETR en facteur de radiance pour la ramener à l’équation 5.12. En bref, tous les
éléments de la section [Link] restent valables. Notamment, les hypothèses ML doivent être respectées
(voir section 5.1)

[Link] Non-gaussianité, indépendance et information mutuelle

Quels peuvent être les indicateurs statistiques de l’indépendance des sources ? Il existe deux ap-
proches pour répondre à cette question.

Non gaussianité La non-gaussianité est un critère pertinent d’après le théorème central limite (voir
annexe [Link] page 211). En effet, d’après ce théorème, la distribution gaussienne est la distribution
limite quand on mélange linéairement une grande quantité de variables aléatoires indépendantes quelles
que soient leurs distributions propres (si les distributions ont des moyennes et écart-type concergentes).
Dans ce cas, plus un axe porte une distribution non-gaussienne, plus il a la chance d’être porteur d’un
nombre restreint de paramètres physiques. L’idée majeure est donc de trouver des axes portant une dis-
tribution la moins gaussienne possible.
Comment estimer l’écart entre la distribution portée par l’axe et la distribution gaussienne ? Il faut se
munir d’une distance entre les deux densités de probabilité ( 12.4.5 page 212). Par exemple, la distance
de Kullback-Liebler entre d’une part, la densité de probabilité gaussienne de même moyenne et de même
variance que la distribution portée par l’axe et, d’autre part, la distribution portée par l’axe. On peut
montrer que cette définition revient à la néguentropie ou encore au déficit d’information au sens de
Shannon (voir l’annexe 12.4.6 page 213).

Indépendance et information mutuelle Pour dépasser l’utilisation d’un indicateur statistique défini
sur chaque source séparément, comme la non-gaussianité, il est possible de décrire directement l’état
concernant toutes les sources à la fois. L’hypothèse statistique est l’indépendance de toutes les sources
entre-elles. La probabilité du vecteur aléatoire de la distribution jointe de plusieurs variables aléatoires
indépendantes s’écrit simplement comme le produit des probabilités. Par exemple, pour deux variables
aléatoires indépendantes : dPX,Y = dPX dPY (voir en annexe [Link] page 207).
L’indépendance des sources est très souvent estimée grâce à l’information mutuelle (voir l’annexe 12.4.6
page 213) qui est la distance au sens de Kullback-Liebler entre d’une part, la densité de probabilité du
vecteur aléatoire total, et d’autre part, la densité de probabilité du produit des variables aléatoires. Si cette
distance est nulle, l’indépendance est vérifiée. On peut montrer que dans le cas du vecteur aléatoire X
centré réduit, l’information mutuelle I (.) s’écrit comme :

103
CHAPITRE 5. SÉPARATION DE SOURCE APPLIQUÉE AUX IMAGES HYPERSPECTRALES DE
TÉLÉDÉTECTION

TAB . 5.2 – Comparaison entre l’ACI spatiale et l’ACI spectrale

Méthode indépendance spectrale indépendance spatiale

Matrice de données Cz,λ ∼ Az,i .Pi,λ CTλ ,z ∼ Aλ ,i .Pi,z
Dimension des signaux Nz ∼ 100000 Nλ ∼ 200
Nombre d’occurrences de signaux Nλ ∼ 200 Nz ∼ 100000
Matrice de mélange Az,i Aλ ,i
Nombre de sources Np ∼ 5 Np ∼ 5
Nombre d’éléments Nz .Np ∼ 500000 Nλ .Np ∼ 1000
Matrice des sources Pi,λ Pi,z
Nombre d’occurrences Nλ ∼ 200 Nz ∼ 100000
Matrice de bruit B j,λ B j,z
Dimensionnalité d’occurrence spectrale spatiale
Nombre d’occurrences Nλ ∼ 200 Nz ∼ 100000
Estimation statistique mauvaise bonne
Hypothèse d’indépendance statistique bonne mauvaise

Nz
I ( fX (λ )) = J ( fX (λ )) + ∑ J ( fXi (λi )) (5.15)
i=1

Avec J (.), la néguentropie. Elle ne dépend que des moments et des cumulants d’ordre supérieur à 2
(voir en annexe 12.4.6 page 213).

[Link] Indépendance spatiale, spectrale, spectro-spatiale

De la même manière que pour l’hypothèse de décorrélation, il est possible de proposer une indé-
pendance spectrale ou spatiale, les deux problèmes étant liés par une simple transposition (voir sec-
tion [Link] page 99). Le tableau 5.2 compare les propriétés de ces deux approches. Une combinaison
des indépendances spectrale et spatiale existe aussi. Détaillons ces trois approches :
– “Indépendance spatiale” : L’hypothèse d’indépendance spatiale n’est pas valide car la somme des
occurrences des sources égale à un (car elles sont interprétées comme des proportions de surface).
Cependant, c’est la méthode la plus usuellement utilisée en télédétection (226; 88).
– “Indépendance spectrale” : L’indépendance spectrale est une hypothèse correcte d’un point de vue
spectroscopique sur des corps purs. Cependant, certaines liaisons chimiques, comme la liaison O-
H qui forme la bande à 3 microns, sont présentes dans de nombreux matériaux martiens. Cette
hypothèse est donc mise à mal dans certaines domaines spectraux.
– “Indépendance spectro-spatiale” : Il existe aussi une façon de faire une décomposition spectro-
spatiale ou les composantes indépendantes sont cherchées à la fois dans la dimension spectrale
et spatiale (292). Cette approche nécessite un paramètre qui compare les indépendances spatiale
et spectrale. Ce coefficient d’ajustement n’a pas de raison théorique et aucune méthodologie ne
permet de l’optimiser a priori. Cette méthode n’est donc pas intéressante dans le cadre des images
hyperspectrales de télédétection.

[Link] Indétermination d’ordre et d’échelle

L’ACI permet d’estimer des sources mais deux indéterminations majeures persistent, intrinsèques à
la méthode :
Indétermination d’ordre

104
 5.3. SÉPARATION DE SOURCE EN AVEUGLE

On peut échanger l’ordre des sources sans changer le résultat tant que la somme ∑Ni=1 s
Ai .Pi reste
inchangée.
Indétermination d’échelle
Il est toujours possible de multiplier la source par un facteur et de diviser la matrice de mélange par
le même facteur sans changer le résultat de la somme ∑Ni=1 s
Ai .Pi , ni la néguentropie, ni l’indépendance.
Les sources sont donc définies à un facteur près.

[Link] Différentes méthodes d’ACI

Il existe plusieurs façons de réaliser une ACI. Voici trois méthodes particulières mais d’autres ap-
proches sont possibles :
– Fast ICA : C’est une méthode itérative d’estimation des sources. Elle appartient donc au “projec-
tion poursuit” (voir section 2.4.5 page 52). L’estimateur de la non-gaussianité de cette méthode
(128) est la néguentropie réduite aux ordres trois et quatre :

1

2 1
J (Pi ) = E Pi3 − (C um4 (Pi ))2 (5.16)
12 48
Cependant, cette expression n’est pas robuste car le kurtosis, ou cumulant d’ordre quatre, n’a pas
d’estimation robuste. Les auteurs proposent donc d’utiliser plutôt l’expression suivante :

J (Pi ) ' [E (g (Pi )) + E (g (Pgaus ))]2 (5.17)

Avec Pgaus une variable aléatoire gaussienne de moyenne nulle et de variance 1. La fonction g doit
être de croissante lentement comme par exemple ces deux fonctions :

1
g (u) = log cosh(k.u) | 1 ≤ k ≤ 2 (5.18)
k

u2
g (u) = − exp(− ) (5.19)
2
Cette méthode permet d’extraire itérativement chaque source Pi qui maximise la néguentropie
J (Pi ).
– JADE : La méthode JADE ou “Joint Approximate Diagonalisation of Eigenmatrices” (42) est
basée sur le tenseur des cumulants d’ordre quatre (voir annexe [Link] page 210). Ce tenseur a
la propriété suivante : les cumulants croisés sont nuls pour un vecteur aléatoire formé de variables
aléatoires indépendantes. En définissant la matrice cumulante Ni, j d’après le produit matricielle
avec Mk,l quelconque :
Ni, j = Q(Mk,l ) = ∑∑ C umi, j,k,l Mk,l (5.20)
La méthode JADE consiste alors à diagonaliser cette matrice cumulante pour un ensemble de
matrice Mk,l particulier : les matrices propres du tenseur des cumulants. Cette méthode permet
d’estimer toutes les sources à la fois.
– IFA : Pour aller au delà de l’ordre 4, la méthode IFA ou “Independent Factor Analysis” (12)
est basée sur l’approximation suivante : la densité de probabilité des sources est une somme de
gaussienne. Cette approximation permet d’effectuer un calcul analytique. Les études en imagerie
hyperspectrale montrent qu’il suffit de trois gaussiennes pour retrouver la matrice de mélange
correcte mais dix gaussiennes sont nécessaires pour une bonne estimation de la matrice de mélange
et de l’information mutuelle (226). Cette méthode n’a pas été utilisée lors de cette thèse.
– Approche bayésienne : Il s’agit d’écrire le problème en terme d’inférence bayésienne (voir an-
nexe [Link] page 209). La solution étant l’état de probabilité de la matrice de mélange et des
sources, sachant l’occurrence des spectres : P(A, P|S). D’après la relation de Bayes, nous pou-
vons écrire :
P(A, P|S) = P(S|A, P) × P(S) × P(A) (5.21)

105
CHAPITRE 5. SÉPARATION DE SOURCE APPLIQUÉE AUX IMAGES HYPERSPECTRALES DE
TÉLÉDÉTECTION

F IG . 5.3 – Rapport signal sur bruit de reconstruction (en dB) en fonction du nombre de sources estimé
avec la méthode JADE (cercles) et Fast ICA (losanges).

L’avantage de cette méthode est qu’elle fait intervenir les probabilités a priori des sources et de
la matrice de mélange. Il est donc possible d’y intégrer des contraintes mathématiques. Cette
approche, notamment utilisée dans la thèse de Saïd Moussaoui (222), est développée plus en détail
dans le chapitre 5.3.5.

[Link] Résultats sur des données réelles

Les résultats majeurs, issus des tests sur les données OMEGA effectués lors de cette thèse, sont
présentés dans cette section. Ces tests ont été produits en appliquant l’hypothèse d’indépendance spatiale,
afin de se placer dans les conditions les mieux contraintes.
Définissons la rapport signal sur bruit estimé : SNR pour “Signal to Noise Ratio”. C’est la quantité
d’énergie dans le sous-espace signal par rapport au sous-espace bruit :
 
Nλ Nz
2
∑λ =1 ∑z=1 Cλ ,z
SNR(Ns ) = 10. log10  (5.22)
 
 2 
N Nz
∑λ λ=1 ∑z=1 Cλ ,z − ∑Ni=1
s
Aλ ,i Pi,z

Robustesse Testons maintenant la robustesse des algorithmes d’ICA, notamment vis à vis de l’initia-
lisation. En effet, les algorithmes itératifs (Fast ICA) comportent une sensibilité aux conditions initiales.
Nous avons généré une condition initiale aléatoire, comme l’usage en convient lorsque l’on a aucune
information a priori.
Nous avons élaboré un test simple : estimer le rapport signal sur bruit de reconstruction (SNR) en
fonction de Ns , le nombre estimé de sources. En principe, ce rapport doit augmenter continûment avec le
nombre de sources puisque le signal mesuré doit être de mieux en mieux reconstruit.
Le graphique 5.3 représente les résultats de ce test pour les méthodes Fast ICA et JADE.
La méthode Fast ICA n’est pas robuste car le SNR de reconstruction n’a pas une augmentation continue
en fonction du nombre de sources. Par exemple, la plus mauvaise reconstruction se fait avec douze
sources ! Cette caractéristique provient du fait que la méthode Fast ICA est très sensible à l’initialisation.
La méthode JADE parait plus robuste car le SNR augmente bien continûment avec le nombre de sources.
Cette méthode estime toutes les sources à la fois.
De plus, le niveau de reconstruction des spectres avec la méthode JADE est toujours supérieur ou égal à
la reconstruction de la méthode Fast ICA.
Pour ces trois raisons, la méthode JADE a été retenue comme méthode de référence d’ICA dans notre
étude.

Interprétation des résultats de JADE Les différentes sources trouvées par JADE dans son application
à l’observation ORB0041_1.CUB en facteur de radiance sont interprétables comme ceux de l’ACP (261).
La figure 5.4 montre les 7 premières sources, on retrouve : l’effet de l’incidence solaire couplée aux

106
 5.3. SÉPARATION DE SOURCE EN AVEUGLE

(a) 1 (b) 2 (c) 3 (d) 4 (e) 5 (f) 6 (g) 7

F IG . 5.4 – Estimation de 7 sources avec JADE sur l’observation ORB0041_1.CUB

variations spatiales de l’albédo du continuum (source 1), la contribution de l’émission thermique (source
3), la présence de glace d’eau (source 5), de glace de CO2 (source 4), les effets du décalage de canaux C
et L (source 6). Les sources 2 et 7 sont difficilement interprétables et doivent correspondre à un mélange
d’effet non-linéaire. La figure 5.5 expose les 7 axes ou 7 premières lignes de la matrice de mélange.
Les interprétations en terme spectroscopique ne sont pas possibles même en mettant en correspondance
un spectre de référence de glace d’eau et de CO2 sur le même graphique (voir figure 5.6). Néanmoins,
certaines ressemblances apparaissent.
La comparaison des méthodes Fast ICA et JADE, ainsi que leurs applications sur des observations
OMEGA, ont été produites lors de cette thèse, notamment en collaboration avec Hafrún Hauksdóttir, du
LIS, Christian Jutten et Jocelyn Chanussot du LIS. D’autres résultats sont disponibles dans le rapport de
Master 2 d’Hafrún Hauksdóttir (111).
Les potentiels de l’ACI dans l’imagerie hyperspectrale ont été mis à jour depuis le début des années
90, comme en témoigne les nombreuses études (312; 89; 67; 45), notamment en utilisant la poursuite de
projection (11; 185). Un historique récent de ces méthodes a été publié récemment (44).
Forni et al. ont utilisé la séparation de source de type ICA avec l’algorithme JADE sur les données
OMEGA (88). Ils ont mis en évidence l’intérêt de cette méthode dans le débruitage ou encore l’identifi-
cation spectrale.
L’hypothèse d’indépendance spatiale utilisant l’ACI sur les images hyperspectrales a fait l’objet d’une
étude théorique et numérique. Celle-ci montre que l’indépendance spatiale est une mauvaise hypothèse
statistique (226).

5.3.4 Mélanges non-linéaires et indépendance

La méthode de séparation de source non-linéaire est un problème mal contraint. L’ensemble des
données ne suffit pas pour contraindre à la fois les sources et les non-linéarités. Il existe un ensemble de
solutions (142).
Soit deux variables aléatoires indépendantes X et Y. Les nouvelles variables aléatoires X’ et Y’, fonctions
de ces deux variables aléatoires X0 = f (X) et Y0 = g(Y), sont indépendantes quelles que soient les
transformations f et g. Il n’est donc pas possible de discriminer la situation du couple X,Y de la situation
du couple X’, Y’ en utilisant un argument d’indépendance. L’ensemble des solutions est donc infini.
Par conséquent, il n’est pas judicieux d’utiliser une séparation de source en aveugle non-linéaire.

107
CHAPITRE 5. SÉPARATION DE SOURCE APPLIQUÉE AUX IMAGES HYPERSPECTRALES DE
TÉLÉDÉTECTION

(a) 1 (b) 2

(c) 3 (d) 4

(e) 5 (f) 6

(g) 7

F IG . 5.5 – Estimation des 7 premiers axes de la matrice de mélange avec JADE sur l’observation
ORB0041_1.CUB

(a) Glace de CO2 (b) Glace d’eau

F IG . 5.6 – Identification spectrale de l’axe de la matrice de mélange associé à la glace d’eau et à la glace
de CO2 en utilisant la méthode JADE sur l’observation ORB0041_1.CUB. Les spectres en pointillés sont
les spectres de référence synthétiques utilisés pour la méthode Wavanglet (voir section 4.1.1 page 78)

108
 5.3. SÉPARATION DE SOURCE EN AVEUGLE

5.3.5 Mélange linéaire, positivité et indépendance spectrale

Nous avons vu que l’indépendance spatiale n’est pas une bonne hypothèse pour séparer des sources
en imagerie hyperspectrale. D’un autre côté, l’indépendance spectrale est mal contrainte car il n’existe
qu’un petit nombre d’occurrences. L’ajout de contraintes mathématiques supplémentaires permet de s’ap-
procher vers un état de solution unique.
D’après la section 5.3.3, le mélange linéaire et l’indépendance ne sont pas des hypothèses mathéma-
tiques et statistiques suffisantes pour permettre d’extraire des sources interprétables en terme de spectro-
scopie. Certaines contraintes mathématiques supplémentaires peuvent aider à la méthode : notamment la
positivité des sources et de la matrice de mélange. En effet, un spectre est toujours positif. De même, une
abondance ou une fraction de surface est toujours positive.
L’approche bayésienne semble être la méthodologie la plus intéressante pour ajouter des hypothèses
mathématiques car elle permet de les traduire de manière rigoureuse.

[Link] Inférence bayésienne, positivité et indépendance

Rappelons simplement l’écriture du problème linéaire d’ACI sous forme matricielle (voir équa-
tion 5.7 page 98) pour les indices en indépendance spectrale :

Cz,λ = Az,i .Pi,λ + ε z,λ (5.23)

L’écriture du problème de séparation de source en utilisant le théorème de Bayes (voir an-

nexe [Link] page 209) se fait de la façon suivante (une présentation plus détaillée se trouve dans la
thèse de Saïd Moussaoui (222)) :

P(S|A, P) × P(A, P)
P(A, P|S) = (5.24)
P(S)

La probabilité des spectres observés P(S) est constante pour une image hyperspectrale donnée, elle
peut être vue comme un facteur de normalisation.
Dans le cadre d’un mélange géographique subpixel (voir section [Link] page 31), il est justifié de
supposer que la matrice de mélange A et les sources P soient indépendantes. Dans ce cas chaque source
Pi correspond à la proportion de surface αz d’une zone “z”. La ligne correspondante de la matrice de
mélange est le spectre associé Sz . On peut donc écrire :

P(A, P|S) ∝ P(S|A, P) × P(A) × P(P) (5.25)

Notons θ = {θ B , θ A , θ P } l’ensemble des hyperparamètres des densités de probabilités du bruit, ma-

trices de mélange et sources. Le problème bayésien s’écrit finalement :

P(A, P, θ |S) ∝ P(S|A, P, θ B ) × P(P|θ P ) × P(A|θ A ) × P(θ ) (5.26)

Détaillons maintenant ces quatre termes dans le cadre de la séparation de source bayésienne positive
en mode d’indépendance spectrale (220). Cette résolution est aussi connue sous le nom de “Bayesian
Positive Source Separation” ou BPSS.
Le premier terme concerne la reconstruction du signal. En supposant un bruit gaussien de moyenne
nulle (voir annexe [Link]), on peut l’écrire comme :
!
Nz Nλ Ns
P(S|A, P, θ B ) = ∏ ∏ N ∑ Az,i .Pi , σz2 (5.27)
z=1 k=1 i=1

Chaque élément spectro-spatial de l’image est caractérisé statistiquement par une gaussienne. Tous les
éléments sont indépendants entre eux.
Cette paramétrisation, originalement proposée pour des signaux spectroscopiques de laboratoire (220),
ne semble pas tout à fait satisfaisant pour l’imagerie hyperspectrale en indépendance spectrale car la

109
CHAPITRE 5. SÉPARATION DE SOURCE APPLIQUÉE AUX IMAGES HYPERSPECTRALES DE
TÉLÉDÉTECTION

variance σz ne dépend que de l’indice des pixels. Le comportement des spectro-imageurs serait modélisé
de façon plus pertinente si la variance du bruit gaussien dépendait de la dimension spectrale. En revanche,
en mode d’indépendance spatiale, c’est à dire en échangeant les indices z et k, cette écriture est tout à fait
satisfaisante. La meilleure modélisation du bruit correspond à une variance σz,k qui dépends à la fois des
dimensions spectrale et spatiales.
Le second terme concerne la densité de probabilité des signaux sources. La positivité est garantie
grâce à une densité de probabilité à support positif. Suivant l’étude de Moussaoui et al., on utilise la
fonction gamma à deux paramètres (voir annexe [Link]) qui reproduit bien plusieurs comportements
de densité de probabilité. En supposant que les sources soient indépendantes entre elles, le second terme
s’écrit :
Ns Nλ
P(P|θ P ) = ∏ ∏ G (αi , βi ) (5.28)
i=1 k=1

Le troisième terme concerne la matrice de mélange. Chaque élément est supposé comme positif, la
positivité étant garantie grâce à une densité de probabilité à support positif. Suivant (220), on utilise la
fonction gamma à deux paramètres (voir annexe [Link]) qui reproduit bien plusieurs comportements
de densité de probabilité. Nous supposons que la densité de probabilité de chaque pixel a une densité
de probabilité indépendante des autres pixels. Cette hypothèse est bafouée dans le cadre des images
hyperspectrales car il existe une certaine corrélation spatiale. Le troisième terme s’écrit :
Nz Nλ
P(A|θ A ) = ∏ ∏ G (α j , β j ) (5.29)
j=1 k=1

Le quatrième terme correspond simplement à l’estimation des hyperparamètres.

[Link] Algorithme de résolution

La résolution du problème bayésien peut se faire par une méthode Monte Carlo (220). Après un
tirage aléatoire d’initialisation, il s’agit d’estimer itérativement l’ensemble des paramètres :
1. Signaux sources
P̂ = E(P|S) (5.30)

2. Coefficient de mélange
 = E(A|S) (5.31)

3. Hyperparamètres
θ̂ = E(θ |S) (5.32)

Puis, de recommencer ces trois étapes jusqu’à convergence. Une itération pour une image de 16 × 16
pixels met 0,58 s et pour une image 128 × 128 met 39,85 s. Sachant qu’il faut de l’ordre de 10000
itérations pour un bon niveau d’estimation, ce type d’algorithme est relativement long et quasi inutilisable
sur des images OMEGA entières.
Pour répondre à ce problème et adapter cette méthode prometteuse aux données hyperspectrales, j’ai
contribué à développer la méthode notée “JADE+BPSS”. Celle-ci fera l’objet du chapitre 6. L’article
présentant cette méthode a été soumis dans le journal Neurocomputing (221), disponible à l’annexe 14
page 221.

5.4 Bilan et Perspectives

Résumons sous forme de tableau, les propriétés des méthodes de séparation de source, incluant la
méthode “JADE+BPSS” qui est développée au chapitre 6. Le tableau 5.3 présente les méthodes de sépa-
ration de source supervisées. Le tableau 5.4, présente les méthodes non-supervisées.
Décrivons les différents critères d’évaluation et les qualificatifs associées (champ du tableau) :

110
 5.4. BILAN ET PERSPECTIVES

Les “abondances en mélange géographique subpixel” sont des proportions de surface.

L’aptitude à estimer correctement ces abondances est “possible si les hypothèses ML sont vérifiées” (voir
section 5.1 page 92).
Le champ “Qualitatif probable” est réservé à la méthode des ratios, car l’aptitude dépend du ratio, no-
tamment en présence de recouvrement de corps.
Le champ “impossible” dénote que la méthode n’a pas été construite dans ce but.
L’aptitude à estimer correctement les “abondances en mélange intime granulaire” pur peut être
“quantitative” si elle tient compte de effets de transfert radiatif,
Cette aptitude peut être “empirique”, “qualitative”, voire “impossible” si la méthode n’a pas été construite
dans ce but.
L’aptitude à estimer correctement les “abondances pour toutes les représentations de surface” est
“improbable” pour toutes les méthodes.
Seule une inversion permet d’estimer une abondance dans le cas de représentation de surface complexe.
Le champ “spectre Sz en mélange géographique subpixel” est réservé aux méthodes non-supervisée qui
permettent potentiellement d’extraire les spectres Sz de toutes les zones d’un mélange géographique
subpixel et leur proportion de surface associée.
La “sensibilité aux conditions géométriques” peut être “faible au premier ordre” si la méthode est
indépendante du niveau du continuum.
Pour certaines méthodes, la sensibilité est “potentiellement forte”, notamment si la géométrie d’acquisi-
tion varie beaucoup sur l’image hyperspectrale.
Le champ “correction” dénote que la méthode inclue une correction des effets géométriques sur le trans-
fert radiatif.
La “sensibilité aux absorptions atmosphériques”, en cas de superposition de bandes d’absorption des
matériaux au sol et de non-correction atmosphérique, peut être :
“potentiellement forte” et dans ce cas, une correction préalable est nécessaire.
“négligeable”
“transformation ad hoc” si une estimation de l’effet atmosphérique peut se faire avec une opération
mathématique.
La “sensibilité au bruit” exprime la sensibilité de la méthode, au niveau de bruit dans l’espace réduit.
L’estimation des sources a une sensibilité potentiellement “forte” si elle est basée seulement sur un petit
nombre de dimensions, comme c’est la cas pour la profondeur de bande.
La sensibilité est “faible” si la séparation de source s’opère sur tous les canaux.
Le “temps de calcul” lors de la séparation de source est déterminé en fonction d’un nombre d’opéra-
tion à effectuer.
Un temps de calcul “court” (en moins d’une seconde sur une machine de bureau pour une observation
OMEGA) correspond à un algorithme consistant en quelques opérations très simples (addition, division).
Un temps de calcul “moyen” (en moins de quelques minutes) correspond aux algorithmes relativement
simples.
Les temps “longs” (au delà d’une demi heure) correspondent aux méthodes statistiques les plus com-
plexes, aux méthodes d’inversions et aux méthodes de linéarisation. Ces temps de calcul sont estimés en
fonction de la complexité de la méthode, il ne s’agit pas de véritables temps de calcul.

111
CHAPITRE 5. SÉPARATION DE SOURCE APPLIQUÉE AUX IMAGES HYPERSPECTRALES DE
TÉLÉDÉTECTION

Méthodes Profondeur de Mélange Mélange Mélange

bande linéaire linéaire après non-linaire
linéarisation semi-
empirique
abondance en qualitatif possible si impossible impossible
mélange probable hypothèses
géographique ML correctes
subpixel non-unicité
abondance en qualitatif impossible quantitatif empirique
mélange (sauf recou-
intime vrement)
granulaire
abondance improbable improbable improbable improbable
pour toutes
représenta-
tions de
terrain
sensibilité faible au potentiellement correction potentiellement
aux premier fort fort
conditions ordre
géométriques
sensibilité transformation potentiellement potentiellement potentiellement
aux ad hoc forte forte forte
absorptions
atmosphé-
riques
sensibilité au fort faible faible faible
bruit
temps de court moyen long long
calcul

TAB . 5.3 – Tableau récapitulatif des propriétés des méthodes de séparation de sources supervisée.

112
 5.4. BILAN ET PERSPECTIVES

Méthodes Extraction ACP, ACI, JADE+BPSS,

spectre de décorrélation indépendance indépendance
référence spatiale spatiale spatiale et
extrême positivité
abondance / possible si impossible impossible possible si
spectre en hypothèses hypothèses
mélange ML correctes ML correctes
géographique non-unicité non-unicité
subpixel
abondance / impossible impossible impossible impossible
spectre en
mélange
intime
granulaire
abondance / improbable improbable improbable improbable
spectre pour (spectre Sz en (spectre Sz en
toutes repré- mélange mélange
sentations de géographique géographique
terrain subpixel) subpixel)
sensibilité potentiellement potentiellement faible au faible au
aux fort fort premier premier
conditions ordre ordre
géométriques
sensibilité potentiellement potentiellement potentiellement potentiellement
aux forte forte forte forte
absorptions
atmosphé-
riques
sensibilité au faible faible faible faible
bruit
temps de long moyen moyen à long long
calcul

TAB . 5.4 – Tableau récapitulatif des propriétés des méthodes de séparation de sources non-supervisée.

113
CHAPITRE 5. SÉPARATION DE SOURCE APPLIQUÉE AUX IMAGES HYPERSPECTRALES DE
TÉLÉDÉTECTION

La séparation de source supervisée a pour but d’extraire de l’information quantitative des images
hyperspectrales. Les différentes méthodes de séparation de sources linéaires permettent d’extraire cette
information, dans certains cas simplistes seulement. Les méthodes non-linéaires permettent d’étendre le
domaine de validité mais la méthode de référence reste l’inversion d’un modèle de transfert radiatif.
L’approche non supervisée dite de séparation de source en aveugle n’est possible qu’en mélange li-
néaire. Les hypothèses de décorrélation ou d’indépendance statistique entre les sources ne suffisent pas
pour une estimation correcte des sources. En revanche, les hypothèses de positivité et d’indépendance
semblent prometteuses pour extraire des spectres et des proportions de surfaces interprétables. Ces in-
formations spatiales et spectrales sont sujettes à caution à cause de l’existence possible de mélanges
intimes non linéaires. Aussi complexe que soit la représentation de terrain, si elle comporte un mélange
géographique subpixel, il existe un mélange linéaire de spectres issus de zones différentes. A chaque
zone “z” en mélange géographique subpixel est associé un spectre Sz , qui peut avoir une représenta-
tion de surface particulière en mélange intime particulière. L’approche non-supervisée de séparation de
source en aveugle permet de dépasser l’approche “extraction des spectres de référence extrêmes” (voir
chapitre 5.3.1 page 97) car elle permet d’estimer l’ensemble exhaustif des pôles spectraux Sz de l’image
sans que celui-ci soit nécessairement dans l’image (voir section 2.2 page 41).
Répétons que seule une inversion utilisant un modèle complet de transfert radiatif permet d’estimer
correctement les paramètres de surface.

114
Chapitre 6
Séparation de source en aveugle, en mélange
positif, appliquée aux images hyperspectrales

Givre au sol de Mars, observé par Viking Lander 2 (Crédit : NASA)

115
CHAPITRE 6. SÉPARATION DE SOURCE EN AVEUGLE, EN MÉLANGE POSITIF, APPLIQUÉE
AUX IMAGES HYPERSPECTRALES

La séparation de source en aveugle, appliquée aux images hyperspectrales est possible en supposant
un mélange linéaire et des hypothèses statistiques. Le chapitre précédent montre que ni la décorrélation,
ni l’indépendance seule ne permettent de résoudre le problème.
L’application de la séparation de source en aveugle sur les images hyperspectrales est possible de
deux manières liées par une opération de transposition. Il s’agit de faire des hypothèses statistiques
sur les dimensions spatiales ou spectrales. Nous avons vu que seule la formulation d’hypothèses dans
la dimension spatiale permet un problème bien contraint. Néanmoins, cette formulation rend caduque
les hypothèses statistiques (décorrélation et indépendance) car les abondances sont contraintes par leur
somme égale à un.
La méthode bayésienne semble prometteuse pour répondre à ces deux difficultés (voir section [Link]
page 109). D’une part, elle permet d’ajouter des hypothèses supplémentaires, comme la positivité, pour
mieux contraindre la solution. D’autre part, elle permet d’utiliser l’hypothèse d’indépendance spectrale.
La difficulté majeure de la méthode bayésienne est sa lenteur. Nous allons exposer ici une méthode
qui permet de surmonter cette difficulté (voir section 6.1). Nous montrons qu’elle permet l’estimation
d’une solution correcte (voir section 6.2.1), puis nous allons étudier sa robustesse (voir section 6.2.2).

6.1 Méthode : JADE + BPSS

La méthode JADE+BPSS permet de diminuer le temps de calcul, en réduisant le nombre de spectres
à étudier. Nous proposons de sélectionner un nombre réduit de spectres représentatifs, d’appliquer la
méthode BPSS puis d’étendre les résultats à toute l’image.
Il est possible de sélectionner des spectres représentatifs grâce à l’algorithme JADE. En effet, les images,
représentant les “sources” de l’ACI en indépendance spatiale, opérées par l’algorithme JADE, sont in-
terprétables et même correctes ( [Link] page 106). Cependant, les spectres, représentant les lignes de la
“matrice de mélange”, de ce même algorithme ne sont pas corrects. Partant de ce constat en demi-teinte,
nous proposons de sélectionner les spectres les plus extrêmes pour chaque source estimée par JADE en
indépendance spatiale.

6.1.1 Sélection des spectres représentatifs

La sélection des spectres représentatifs est basée sur le rapport signal sur bruit de reconstruction ou
SNR. Le rapport signal sur bruit total SNR(Ns ) est défini à l’équation 5.22. Le SNR spatial est défini par :
 
Nλ
2
∑λ =1 Cλ ,z
SNRspatial (z) = 10. log10  (6.1)
 
 2 
Nλ Ns
∑λ =1 Cλ ,z − ∑i=1 Aλ ,i Pi,z
De la même manière, on peut définir le SNR spectral :
 
Nz
2
∑z=1Cλ ,z
SNRspectral (λ ) = 10. log  (6.2)
 
 2 
Nz Ns
∑z=1 Cλ ,z − ∑i=1 Aλ ,i Pi,z
La perte de SNR spatial, lorsque la source j est retirée, et estimée par :
 
N
2
Cλ ,z
∑λ λ=1
SNRspatial,j (z) = SNRspatial (z) − 10. log  (6.3)
 
 2 
Nλ Ns
∑λ =1 Cλ ,z − ∑i=1,i6 =j Aλ ,i Pi,z

La perte de SNR spectral, lorsque la source j est retirée, et estimée par :

 
Nz
2
∑z=1 Cλ ,z
SNRspectral,j (λ ) = SNRspectral (λ ) − 10. log  (6.4)
 
 2 
Nz
∑z=1 Cλ ,z − ∑Ni=1,i6
s
=j Aλ ,i Pi,z

116
 6.2. RÉSULTATS SUR DES DONNÉES RÉELLES, COMPARAISON AVEC D’AUTRES
CLASSIFICATIONS

Pour chaque source j, nous proposons la sélection des spectres représentatifs parmi ceux dont le
SNRspatial,j (z) est dans les 15% meilleurs. Cette première sélection est doublée d’une sélection aléatoire
de 50 spectres.
En résumé, l’algorithme de choix des spectres représentatifs, est le suivant. Cet algorithme est effec-
tué pour toutes les sources j de 1 à Ns :
1. Calcul de SNRspatial,j (z) pour tous les pixels z de l’image.
2. Classement par ordre décroissant des valeurs de SNRspatial,j (z).
3. Sélection des pixels z ayant les 15% plus grands SNRspatial,j (z).
4. Tirage aléatoire de 50 pixels.

6.1.2 Méthode JADE+BPSS

La solution proposée réside en cinq étapes successives :
1. Standardisation des données. Il s’agit d’effectuer une ACP en décorrélation spatiale pour centrer et
réduire les données. Estimation du nombre de source N [ACP d’après la décroissance des variances
s
de l’ACP (voir section 2.4.2 page 47).
[
2. Réduction de données. ACI avec l’algorithme JADE en mode d’indépendance spatiale. N ACP
s
sources sont estimées (voir section [Link] page 105).
3. Extraction de spectres représentatifs. Les spectres sont sélectionnés grâce à la méthode décrite à la
section précédente. Ils sont au nombre de 50 × N [ACP .
s
4. Séparation de source en aveugle. Méthode BPSS en mode d’indépendance spectrale et utilisant
la contrainte de positivité appliquée aux spectres représentatifs déterminés précédemment. Le
nombre de sources N\ BPSS est déterminé par l’utilisateur (voir section [Link] page 109).
s
5. Identification et détermination d’échelle. Corrélation des sources présentes à une base de données
spectrales, pour l’identification et la détermination de l’échelle de chaque source.
6. Résultat pour toute l’image hyperspectrale. Calcul de la matrice de mélange pour tous les spectres
de l’image initiale. Éventuellement renormalisation de la matrice de mélange pour éliminer le
facteur géométrique, en utilisant la relation 5.11.
Cette solution a été développée au cours de cette thèse, en collaboration avec Hafrún Hauksdóttir, qui a
fait son stage de Master 2 au LIS, Christian Jutten et Jocelyn Chanussot du LIS ainsi que Saïd Mous-
saoui de IRCCN, de Nantes. D’autres résultats sont disponibles dans le rapport de Master 2 d’Hafrún
Hauksdóttir (111). Cette méthode a fait l’objet d’un article présent en fin de manuscrit (voir annexe 14
page 221).

6.2 Résultats sur des données réelles, comparaison avec d’autres classifi-
cations
Présentons deux résultats majeurs de la méthode JADE+BPSS : la séparation de source en aveugle
permet d’obtenir une estimation correcte aussi bien dans la dimension spectrale que spatiale ; néanmoins,
cette estimation n’est plus très bonne si la proportion de spectres dans la classe diminue dans l’image.

6.2.1 Résultats
Le premier résultat majeur est présenté en détail dans l’article (221) (voir annexes 14 page 221).
Présentons, ici les conditions de l’algorithme et quelques figures importantes.
L’image hyperspectrale utilisée est l’observation ORB0041_1.CUB en facteur de radiance, sans cor-
rection de l’effet géométrique. L’image a été réduite aux 300 premières lignes qui se concentrent sur la

117
CHAPITRE 6. SÉPARATION DE SOURCE EN AVEUGLE, EN MÉLANGE POSITIF, APPLIQUÉE
AUX IMAGES HYPERSPECTRALES

zone de la calotte permanente sud. Notons cette image ORB0041_1.CUT. Il s’agit de la calotte perma-
nente de CO2 (voir section 7.3.2 page 141) et d’une partie des “South Polar Layered Deposits” (SPLD)
composés de glace d’eau (voir section [Link] page 146).
La méthode suivie est décrite au chapitre 6.1.
L’étape No 1 a permis d’estimer 7 sources pour 98,58% de la variance globale.
Suivent les étapes No 2 et 3.
L’étape No 4 de BPSS s’est effectuée en supposant 3 sources indépendantes.
L’étape No 5 de mise à l’échelle s’est faite avec les 3 spectres de références utilisés par Wavanglet (voir
section 4.1.1 page 78).
Enfin, l’étape No 6 a nécessité une renormalisation pour éliminer les effets géométriques.
Tout d’abord, dans la dimensionnalité spectrale, les sources estimées renormalisées peuvent être
comparées à des spectres de référence. La figure 6.1 représente les trois sources ainsi que leurs spectres
de référence associés. La correspondance spectroscopique est très correcte, pour la glace d’eau et de CO2 ,
sauf dans les régions spectrales où les absorptions atmosphériques perturbent les signatures de surface.
En effet, les spectres de référence des glaces ne comportent pas de contribution atmosphérique tandis que
les spectres de source en comportent (voir équation 5.8). Le spectre de référence de poussière contient la
contribution atmosphérique, la correspondance avec la source est d’autant meilleure.
Le niveau de reconstruction spectrale avec ces trois sources est estimé grâce au SNR spectral (voir figure
6.1 - graphe (d)). Ce rapport est relativement bas pour la bande à 3 microns, présente partout et variant
globalement peu. C’est une région spectrale où l’hypothèse d’indépendance spectrale est fausse. Le SNR
est aussi bas vers 4 microns et plus, à cause d’une source supplémentaire, non prise en compte, qui est
l’émission thermique des sols. Les régions spectrales des bandes d’absorptions atmosphériques sont aussi
significativement moins bien reconstruites car l’hypothèse No 5 d’altitude constante (voir section 5.1
page 92), nécessaire pour la “linéarisation”, n’est pas valide.
Dans la dimensionnalité spatiale, les lignes de la matrice de mélange sont représentées sous forme
d’image (voir figure 6.2). La détection est tout à fait correcte pour les données non normalisées bien
qu’un gradient sur l’image soit présent sur les trois images. La renormalisation par la somme permet
bien de résoudre ce problème.
Comparons les résultats avec ceux obtenus avec des rapports de bandes utilisés par Langevin et al.
(172). Ces rapports sont détaillés aux équations 2.4 page 40, pour la glace d’eau, et aux équations 2.6
page 40 pour la glace de CO2 . L’étude de la figure 6.3, permet de conclure que les deux séparations
de sources sont similaires en terme de détection. En revanche, elles ne sont pas équivalentes en terme
d’abondances relatives : les niveaux d’abondances relatifs ne sont pas respectés sur la calotte perma-
nente de CO2 , où l’abondance d’eau est plus élevé pour la méthode des rapports de bande par rapport à
“JADE+BPSS”
Cette exception est probablement due aux effets non-linéaires de recouvrement des bandes d’eau et de
CO2 . En effet, les premières inversions de Douté et al. montrent que l’abondance de glace d’eau sur la
calotte permanente de CO2 est de 0,06 % en masse au maximum, alors que l’abondance de glace d’eau
sur les SPLD est de 75% en masse (64). La méthode des rapports de bandes surestime donc la quantité
d’eau en présence de glace de CO2 , en comparaison de la quantité d’eau sans glace de CO2 .
Les résultats, en terme de quantité relative, sont tout à fait compatibles avec les données d’inversion
sur quelques spectres (64), notamment dans deux régions particulières (voir fig. 6.4) : (i) la petite zone
linéaire à gauche de l’image avec une présence de CO2 et d’eau (bleu clair) ; (ii) la partie de la calotte
permanente de CO2 appauvrie en impuretés de glace d’eau (marron).

6.2.2 Dépendance du nombre de pixels dans la classe

Malgré ces résultats très encourageants, d’autres études sur plusieurs images de la calotte permanente
sud montrent que ces résultats ne sont pas robustes (voir figure 6.5). Les estimations du spectre de CO2
et de poussière sont correctes. En revanche, l’estimation du spectre de la glace d’eau est mauvaise pour
l’observation ORB0030_0, et dans une moindre mesure pour l’observation ORB0041_1.
L’image ORB0030_0 est fortement bruitée, ce qui pourrait expliquer la difficulté de l’algorithme. Cepen-

118
 6.2. RÉSULTATS SUR DES DONNÉES RÉELLES, COMPARAISON AVEC D’AUTRES
CLASSIFICATIONS

0.96 0.78
Reference Reference
Estimated Estimated

0.64 0.52

0.32 0.26

0 0
1 2 3 4 1 2 3 4
Wavelength (µm) Wavelength (µm)

(a) Glace de H2O (b) Glace de CO2

46
0.51
Reference
Estimated

0.34

31

0.17

0 16
1 2 3 4 1 2 3 4
Wavelength (µm) Wavelength (µm)
(c) Poussières (d) Erreur spectrale

F IG . 6.1 – Sources estimées pour l’observation ORB0041_1.CUT comparées aux spectres de références
de glace d’eau, glace de CO2 et de poussières (graphes (a) à (c)). Le graphe (d) représente la qualité de
la reconstruction spectrale ou SNR spectral (en dB) en noir et un spectre de transmission atmosphérique
en pointillé.

(a) H2O (b) CO2 (c) Poussière

(d) H2O (e) CO2 (f) Poussière

F IG . 6.2 – Matrice de mélange pour l’observation ORB0041_1.CUT sans renormalisation (graphes (a) à
(c)) et avec renormalisation (graphes (d) à (f)).

119
CHAPITRE 6. SÉPARATION DE SOURCE EN AVEUGLE, EN MÉLANGE POSITIF, APPLIQUÉE
AUX IMAGES HYPERSPECTRALES

(a) H2O (JADE+BPSS) (b) CO2 (JADE+BPSS)

(c) H20 (Ratio IAS) (d) CO2 (Ratio IAS)

F IG . 6.3 – Comparaison cartes d’estimations d’abondances de glace d’eau et de CO2 pour l’observation
ORB0041_1.CUT. En haut : la méthode JADE+BPSS décrite dans cette section. En bas : la méthode des
rapports de bande, pour la glace d’eau (voir équation 2.4) et de CO2 (voir équation 2.6).

F IG . 6.4 – Classes de l’image ORB0041_1.CUT d’après Douté et al. (64). En vert la glace de CO2 , en
marron la glace de CO2 ayant le minimum d’impuretés en glace d’eau (0,02 % en masse), en violet la
glace d’eau, en bleu clair la glace d’eau ayant des impuretés de CO2 . La classification manuelle associée
est présentée à la figure 3.1 page 62.

120
 6.2. RÉSULTATS SUR DES DONNÉES RÉELLES, COMPARAISON AVEC D’AUTRES
CLASSIFICATIONS

(a) ORB0030-0 (b) ORB0030-0 (c) ORB0030-0

(d) ORB0041-1 (e) ORB0041-1 (f) ORB0041-1

(g) ORB0061-1 (h) ORB0061-1 (i) ORB0061-1

(j) ORB0103-1 (k) ORB0103-1 (l) ORB0103-1

F IG . 6.5 – Sources identifiées aux trois composants : glace d’eau (a,d,g,j), glace de CO2 (b,e,h,k) et
poussière (c,f,i,l). Test sur des images hyperspectrales OMEGA complètes.

dant, l’image ORB0041_1 a un niveau de bruit faible et pourtant l’estimation de la source est incorrecte.
L’explication résiderait plutôt dans le nombre relatif de spectres dans la classe. Le tableau 6.1 compile les
proportions de l’image contenant de la glace d’eau et de la glace de CO2 . Clairement, ces deux images
ont les fractions de pixels les plus faibles d’H2 O (20,53% et 21,84%).
Si cette interprétation est correcte, il existe un seuil en terme de fraction d’image couverte par la glace
d’eau pour pouvoir estimer son spectre convenablement. Ce seuil est d’environ 22% de l’image. En ce
qui concerne la glace de CO2 , l’estimation est correcte même à 15,50%. Cette dissymétrie est due vrai-
semblablement aux hypothèses d’indépendance spectrale. En effet, la corrélation entre les spectres de
référence de poussière et de glace de CO2 est de 0,15 tandis que la corrélation entre les spectres de ré-
férence de poussière et de glace de H2 O est de à 0,31, à cause de la bande d’hydratation minérale à 3
microns (voir équation 5.14 page 102). Il est donc plus difficile d’estimer un spectre d’eau que de CO2 .

Image Eau (%) CO2 (%)

ORB0030_0 20,53 17,48
ORB0041_1 21,84 16,76
ORB0041_1.CUT 63,48 48,72
ORB0061_1 24,30 10,00
ORB0103_1 41,09 15,50

TAB . 6.1 – Proportion relative des spectres contenant de la glace d’eau et de CO2 en utilisant l’algorithme
supervisé Wavanglet. L’image ORB0041_1.CUT correspond aux 300 premières lignes telle qu’utilisée à
la section précédente et dans l’article (voir annexes 14 page 221).

121
CHAPITRE 6. SÉPARATION DE SOURCE EN AVEUGLE, EN MÉLANGE POSITIF, APPLIQUÉE
AUX IMAGES HYPERSPECTRALES

6.3 Conclusion et perspectives

J’ai fait le choix durant ma thèse, de me focaliser sur les méthodes de séparation de sources en
aveugle car elles ont des objectifs multiples dans l’analyse des images hyperspectrales :
– Exploration des images sans a priori : l’extraction de spectres représentatifs de certaines portions
similaires de l’image (unité de terrain) est un problème essentiel dans l’analyse des images hyper-
spectrales. Chaque méthode permettant cette extraction influence les résultats par leurs hypothèses.
Il est donc essentiel de bien connaître les hypothèses pour interpréter correctement les résultats.
La méthodologie développée au cours de cette thèse (voir section 6.1) comporte des hypothèses
simples mais explicites : elles peuvent donc être discutées. La méthode JADE+BPSS permet d’ex-
traire des informations en cohérence avec une étude indépendante utilisant une inversion d’un
modèle de transfert radiatif. Cette approche est considérée comme un moyen de rationaliser la
découverte et l’identification des terrains martiens.
– Détermination de la représentation de surface : la représentation de surface n’est pas un paramètre
qui peut être contraint dans une inversion massive sur tous les spectres d’une image. Éventuel-
lement, l’inversion de certains spectres de référence peut donner des indications sur le mode de
mélange des corps. Pour confirmer ces résultats, il serait pertinent de faire des études statistiques
sur toute la population des spectres d’un même type de terrain martien. Pour l’instant, les moda-
lités d’une telle analyse restent à déterminer, mais il est probable que la méthode BPSS permette
d’extraire les spectres des zones en mélange géographique subpixel. Cette méthode pourrait aussi
permettre de déterminer la distribution statistique des spectres associée à chaque zone, en cas de
mélange intime à l’intérieur de la zone.
– Détermination des effets d’angles à la surface : les effets bidirectionnels à la surface sont de deux
natures différentes : géométrique et de réflectance bidirectionnelle. Les effets géométriques sont
simplement dus à la pente locale qui est différente pour tous les spectres d’une image hyperspec-
trale. Les effets de réflectance bidirectionnelles sont dus au transfert radiatif dans les matériaux
granulaires. Pour l’instant, les modalités d’une éventuelle séparation des deux effets angulaires
restent à déterminer.
Toutes les approches précédentes concernent la surface. Cependant, il est possible d’exploiter les ap-
proches de séparation de sources, dans un modèle plus complexe mêlant surface et atmosphère, pour
extraire à la fois des signaux du sol et des signaux atmosphériques. Par exemple, il serait intéressant
d’extraire la contribution de la diffusion atmosphérique par les aérosols avec ce type de méthode.
La difficulté majeure de l’approche de séparation de source en aveugle est l’estimation du nombre
de sources. En effet, ni les estimateurs basés sur la décroissance des valeurs propres de l’ACP, ni les
méthodes itératives ne sont robustes. Estimer correctement le nombre de sources est un problème ouvert
actuellement.

122
 Deuxième partie

Les calottes saisonnières martiennes

123
Chapitre 7
Le cycle saisonnier martien

Première évidence de l’asymétrie de la calotte permanente sud (désaxée par rapport au pôle géogra-
phique) en 1784 par W. Herschel (115).

125
CHAPITRE 7. LE CYCLE SAISONNIER MARTIEN

Les première et seconde sections présentent respectivement une introduction historique du cycle sai-
sonnier martien (voir section 7.1) et le paradigme actuel communément accepté par la communauté des
planétologues (voir section 7.2). Enfin, la dernière section insiste sur les incomplétudes, les questionne-
ments et les améliorations que nous pouvons apporter à ce paradigme (voir section 7.3).

7.1 Perspectives historiques du cycle saisonnier martien

La première observation d’une calotte martienne, rendue possible grâce au principe du télescope de
Galileo Galilei, dit Gallilée de 1609, a été faite par C. Huygens durant l’opposition de septembre 1672.
Certains historiens, exhibant un dessin de 1666, proposent d’attribuer la découverte à J.D. Cassini. La
polémique réside dans le fait que ce schéma fait apparaître la calotte de la même couleur blanche que le
limbe.
Néanmoins, la première mise en évidence de la calotte saisonnière a été produite par G.F. Maraldi, le
neveu de J.D. Cassini. Ses observations, à l’Observatoire de Paris, montrent que la calotte saisonnière
a complètement disparu en août et septembre 1719. Il prouve que les conditions physiques de la région
polaire changent au cours du temps. Cependant, il n’avance aucune interprétation.
Il faut attendre 1784 et l’émergence d’une nouvelle génération de télescope pour que W. Herschel,
un allemand membre de la Royal Society of London, interprète ces observations comme étant de la neige
d’eau au pôle (115).

The analogy between Mars and the earth is, perhaps, by far the greatest in the whole solar
system. The diurnal motion is nearly the same ; the obliquity of their respective ecliptics,
on which the seasons depend, not very different ; of all the superior planets the distance
of Mars from the sun is by far the nearest alike to that of the earth : nor will the length of
the martial year appear very different from that which we enjoy, when compared to the
surprising duration of the years of Jupiter, Saturn, and the Georgium Sidus. If, then, we
find that the globe we inhabit has its polar regions frozen and covered with mountains
of ice and snow, that only partly melt when alternately exposed to the sun, I may well
be permitted to surmise that the same causes may probably have the same effect on the
globe of Mars ; that the bright polar spots are owing to the vivid reflection of light from
frozen regions ; and that the reduction of those spots is to be ascribed to their being
exposed to the sun.

Herschel observe pour la première fois que la calotte permanente sud est désaxée par rapport au pôle
géographique (voir page précédente). En 1877, quelques années avant la photographie, G.V. Schiaparelli
dresse sa célèbre carte de Mars, à l’Observatoire de Brera, en Italie. Il utilise un vocabulaire biblique et
mythologique pour nommer les lieux martiens. De la même manière que pour la Lune, les zones sombres
sont désignées par des noms appartenant au champ sémantique de l’eau, comme : Mare Sirenum (Mer
des Sirènes), Mare Cimmerium (Mer des Cimmériens),.... Les zones claires sont nommées par des termes
désignant la terre, comme : Ausonia (Italie), Hellas (Grèce), .... Il ne prétend pas la portée universelle de
sa classification :

I do not ask that the [nomenclature] be approved by astronomers in general, nor do I request
the honor of its universal acceptance. To the contrary, I am ready to accept as final
whichever one is recognised by competent authority. Until then, however, grant me the
chimera of these euphonic names, whose sounds awaken in the mind so many beautiful
memories.

Utilisant une technique basée sur la persistance rétinienne, il parvient à dessiner des détails de la planète
Mars. Malgré son daltonisme qui lui interdit de distinguer le rouge et le vert, il observe les détails pho-
tométriques avec une précision incomparable.

126
 7.1. PERSPECTIVES HISTORIQUES DU CYCLE SAISONNIER MARTIEN

En 1877, Schiaparelli observe des formes linéaires sombres qu’il appelle canali ou canal. Cette nomen-
clature et les canaux vont induire une série d’interprétations qui paraissent aujourd’hui comme loufoques
(voir illustration page 59).
Les premiers arguments spectroscopiques datent des années 1860-1870. Notamment, le français Jules
Janssen, relate en 1867 la détection de vapeur d’eau, d’après ses observations effectuées au mont Etna.
Cependant, à l’époque, la correction des effets atmosphériques terrestres sur les spectres n’est pas très
bonne.
En 1892, la récession de la calotte sud de Mars est à nouveau apparente. Percival Lowell observe
une bande noire autour de la calotte brillante qui disparaît peu à peu. Il interprète cette figure comme un
océan polaire en anneau. Embrassant les visions de Schiaparelli sur les canaux formés d’eau et celle de
la végétation de Liais et Pickering, Lowell astronome fondateur de l’Observatoire de Flagstaff, Arizona
(USA), propose la théorie suivante. Mars serait une planète habitée en voie de désertification. La seule
source d’eau liquide, nécessaire à ses habitants serait située au pôle, au moment où la glace fond. La
forme de vie intelligente construit des canaux d’irrigation qui permettent de transporter la précieuse eau
des pôles vers l’équateur. Le succès populaire de cette théorie lui vaut une renommée mondiale, et Lowell
écrit beaucoup de livres grand public (194). L’astronome ira jusqu’à écrire que la température de Mars
est “confortable comme le Sud de l’Angleterre”.
A l’Observatoire Lick du mont Hamilton en Californie, W.W. Campbell propose des observations
spectroscopiques de Mars en 1894 (38). Il montre que le comportement spectral de Mars est en tout
point similaire à celui de la Lune. Il prétend que l’atmosphère martienne est très fine et que la détection
d’eau n’est pas possible, car elle n’existe qu’en très petite quantité. Cependant, il ne doute pas que la
calotte soit faite d’eau.
Au début du XXème siècle, se développe une théorie alternative sous l’impulsion notamment de A.
R. Wallace qui critique sans égards le raisonnement de Lowell à propos de la température de Mars (303).
Dans la continuité A. C. Ranyard et G. J. Stoney proposent que les calottes saisonnières des Mars soient
faites de CO2 .
La première mesure quantitative de la température de Mars a été produite par deux équipes, à l’Ob-
servatoire Lowell à Flagstaff, avec D. H. Menzel, W. W. Coblentz, et C. O. Lampland, et d’autre part, au
Mont Wilson en Californie du Sud avec E. Petit et S. B. Nicholson. Les deux équipes ont utilisé un ther-
mocouple et ont conclu à une température maximale atteignant 20°C à 30°C dans les régions sombres
et une température minimale au pôle sud de -50°C à -70°C. Ces observations de 1924 suggèrent que la
neige carbonique de CO2 ne se condense pas sur Mars, à cause de la faible pression atmosphérique. Il
faudrait une température maximale de -100°C. Ces équipes ont donc conforté l’hypothèse de glace d’eau
comme constituant des calottes polaires.
En 1958, des nouvelles mesures spectroscopiques par Kuiper (168) établissent une présence plus pro-
bable de glace d’eau que de glace de CO2 .
Dans les années 1950-60, la conquête spatiale bat son plein. La première sonde à destination de
Mars est russe : “Mars 1”, lancée en 1962 et perdue en 1963. En 1965, la première sonde américaine
s’appelle : “Mariner 3”, perdue au lancement. En novembre 1965, la sonde “Mariner 4” est lancée par
les Américains, suivi deux jours plus tard de la sonde russe “Zond 2”. Seule la sonde américaine arrive à
communiquer ces surprenants résultats : la surface de Mars est cratérisée et ancienne, semblable à celle
de la Lune (182). La première mesure de pression atmosphérique au sol est faite par transmission radar :
la pression est incroyablement faible entre 4 et 6 mbar. Après “Mariner 4”, Leighton et Murray remettent
à jour l’hypothèse de la condensation/sublimation de CO2 (183).
Les sondes suivantes Mariners 6 and 7, lancées et arrivées en 1969, se font voler la vedette par
l’arrivée des premiers hommes sur la Lune. Mariner 7 prouve que la température de la calotte saisonnière
sud est de 145 K, proche de celle de la glace de CO2 en équilibre avec son gaz pour ces faibles pressions
atmosphériques (229; 228).
Herr et Pimentel confirment avec des arguments spectroscopiques à 3 microns que la calotte saisonnière
est composée de glace de CO2 (113). La même équipe montre la présence de nuage de CO2 dans la haute
atmosphère (114) avec la bande à 4,3 microns.

127
CHAPITRE 7. LE CYCLE SAISONNIER MARTIEN

Dans la foulée, le premier GCM martien, adapté d’un modèle terrestre, voit le jour (187). Il comporte
déjà le processus de condensation de CO2 .
A la suite de toutes ces observations, Murray et al. proposent de différencier la calotte saisonnière
composée de glace de CO2 et la calotte permanente vraisemblablement composée de glace d’eau (224).
En 1976, les landers au sol Viking 1 et 2 mesurent un cycle semi-annuel de pression atmosphérique
avec deux minima de pression, à la fin des hivers nord et sud, confirmant les travaux de Leighton et Mur-
ray (116). Les mesures thermiques confirment aussi que la calotte permanente nord est bien composée
de glace d’eau (150).
Ce petit aperçu historique a été en partie établi d’après le livre suivant, disponible sur Internet (271).

7.2 Paradigme actuel

La notion de “paradigme” est introduite par Thomas Kuhn, dans “Structure des révolutions scienti-
fiques” paru en 1962 (166). Ce physicien de l’Université Harvard, converti à l’histoire des sciences, à la
sociologie et à l’épistémologie, désignait dans le concept de paradigme : l’ensemble de ce que partage
l’ensemble des membres d’une communauté scientifique.
En 1977, en précisant sa pensée, il désigne un paradigme comme un problème accompagné de sa solu-
tion qui sert d’exemple, avec lequel il convient de poursuivre toute recherche ultérieure (167). Pour une
lecture plus approfondie de la philosophie des Sciences au XXème siècle, l’ouvrage suivant est très clair
et synthétique (10). Il a aussi l’heureuse particularité d’être écrit en français !
Le paradigme du cycle saisonnier martien est donc constitué à la fois de la description du phénomène
des dépôts saisonniers et de sa modélisation :
(i) Le cycle saisonnier martien se déroule dans chaque hémisphère successivement au cours d’une
année martienne. La phase de progression de la calotte saisonnière a lieu pendant l’automne et l’hiver
polaires. Il s’agit d’une augmentation de la surface totale couverte des dépôts, du pôle jusqu’à moins de
60° de latitude. Cette phase de progression est associée à une accumulation de dépôts en chaque point de
la surface. La phase de récession de la calotte saisonnière a lieu pendant le printemps et l’été polaires. Il
s’agit d’une diminution de la surface totale recouverte de dépôts en surface, associée à une ablation de
la couche de glace superficielle.
(ii) Le phénomène de condensation et sublimation de CO2 au pôle, remis à jour en 1966 par Leigh-
ton et Murray (183), est l’élément essentiel de la vision actuelle du cycle saisonnier de dépôts au sol
sur Mars. La modélisation de ce phénomène se fait par le bilan d’énergie radiative à la surface, en gé-
néral inclus dans un GCM “Glocal Climate Modeling”. Un GCM est une simulation informatique du
climat d’une planète à l’échelle globale, incluant les phénomènes physiques d’écoulement des masses
d’air, du transfert radiatif, des changements d’état de l’eau et du CO2 ainsi que d’autres phénomènes
microphysiques.
Ce paradigme tient parce qu’il permet de résoudre la question de l’origine de plusieurs phénomènes
a priori indépendants. De ce fait, il relie ces phénomènes entre-eux. Chaque phénomène est associé à une
observable particulière : (i) la progression et la récession de la surface couverte de dépôts saisonniers,
(ii) la pression au sol mesurée par Viking Lander 1 et 2, (iii) la présence de points froids (zones de la
calotte saisonnière comportant une température de brillance anormalement faible), (iv) la répartition de
masse autour de la planète (modifiant légèrement la forme de la planète). Les modélisations du cycle
saisonnier martien par GCM permettent de reproduire quantitativement ces quatre types d’observables.
Étonnamment, la surface recouverte par les dépôts saisonniers et son évolution au cours de l’année, ne
sont reproduites que grossièrement.
Les modélisations actuelles des phénomènes atmosphériques martiens par GCM, développées par
plusieurs équipes dans le monde, vont bien au delà du cycle saisonnier. Lewis propose un compte rendu
des dernières avancées du domaine (189).
Je présente dans cette thèse uniquement les quelques phénomènes atmosphériques relatifs au cycle sai-
sonnier de dépôts au sol. Il n’est pas question d’une présentation complète d’un GCM. En revanche,

128
 7.2. PARADIGME ACTUEL

la physique de la sublimation/condensation au sol est détaillée. Ce phénomène peut être appréhendé de

façon indépendante d’un GCM. Dans la première section (7.2.1), il est exposé la physique du bilan ra-
diatif en phase d’accumulation puis en phase d’ablation. La deuxième section (7.2.2) se concentre sur
les quatres observables correctement reproduites par ce modèle du cycle saisonnier martien.

7.2.1 Bilan d’énergie radiative

Les phases d’accumulation et d’ablation des dépôts saisonniers martiens sont essentiellement contrô-
lées par le bilan d’énergie radiative contrôlant la condensation et la sublimation du CO2 . Pour bien com-
prendre ce bilan à la surface de Mars, exprimons-le pour trois cas typiques simplifiés : sans glace à la
surface, lors de la première condensation, avec de la glace à la surface. Ensuite, nous verrons en détail
les phases d’accumulation et d’ablation.

Bilan sans glace de CO2 Le bilan instantané d’énergie radiative à la surface d’une planète s’écrit de la
façon suivante :
F in = Ftherm
out
+ F out (7.1)
Tous les termes sont exprimés en W.m−2 . Le terme de gauche F in représente les gains d’énergie. Tandis
 4
out = εσ T ∗
que les termes de droites forment les pertes : Ftherm émission thermique de la surface,
sur f
∗ . La
F out autre perte d’énergie. Cette relation permet de calculer la température instantanée au sol Tsur f
température au sol est contrainte par ce bilan d’énergie.

Première condensation de CO2 Dès qu’une surface non glacée atteint une température au sol Tsur ∗
f
identique à la température de condensation Tcond du gaz de CO2 atmosphérique, le CO2 se condense.
Le gaz de CO2 étant majoritaire (95%) dans l’atmosphère martienne, dans une première approximation,
supposons qu’il soit en quantité suffisante pour être toujours abondant et rester majoritaire, même pen-
dant la condensation. Dans ce cas, la température de la surface est tamponnée par la température de
condensation :

∗
Tsur f = Tcond (7.2)
Et le bilan d’énergie s’écrit :
4
F in + FCO
in
2
= εσ Tcond + F out (7.3)
Le terme additionnel de gain d’énergie de la surface in
FCO correspond à la chaleur latente nécessaire
2
pour effectuer la condensation de CO2 . Cette énergie est stockée dans le CO2 condensé, puis libérée par
la sublimation.
L’hypothèse de la condensation spontanée est remise en question par certaines études expérimentales
qui montrent que la nucléation au sol du givre dépend du type minéral en présence (97). Néanmoins,
cette hypothèse est toujours utilisée couramment dans la littérature.

Bilan en présence de glace de CO2 Lorsque la surface est recouverte de CO2 solide à l’équilibre ther-
modynamique avec son gaz, la température au sol est tamponnée à la température de condensation Tcond
du CO2 atmosphérique. La perte ou le gain net d’énergie εσ Tcond4 + F out − F in se traduit par respective-

ment la sublimation ou la condensation de solide avec respectivement libération ou absorption de chaleur

latente pour assurer l’équilibre. Le bilan d’énergie s’exprime alors comme :
4
FCO2 = εσ Tcond + F out − F in (7.4)

Avec FCO2 le terme de gain (>0) lors de condensation, ou de perte (<0) lors de sublimation d’énergie
sous forme de chaleur latente de CO2 . Il s’écrit :

∂ MCO2
FCO2 = LCO2 . (7.5)
∂t

129
CHAPITRE 7. LE CYCLE SAISONNIER MARTIEN

Avec LCO2 = 590.103 [[Link]−1 ] la chaleur latente de sublimation du CO2 , MCO2 [kg.m−2 ] la masse
surfacique (intégrée sur l’épaisseur) de la couche de glace de CO2 .

[Link] Phase d’accumulation

L’accumulation peut se faire par deux mécanismes majeurs : par condensation directe de CO2 au sol
ou par précipitation de neige de CO2 . La majeure partie de la phase d’accumulation se produit pendant la
nuit polaire quand la température est suffisamment basse pour atteindre la température de condensation
Tcond . Néanmoins, lorsque le soleil est proche de l’horizon, une accumulation est possible. Pendant la
période d’alternance de jour et de nuit, une condensation pendant la nuit suivie d’une sublimation pendant
le jour, est possible.
La précipitation sous forme de neige a été incluse dans les GCM par Forget et al. (83). Cette mo-
délisation permet au CO2 atmosphérique de se condenser directement dans l’atmosphère sous forme de
glace lorsque la température est plus faible que la température de condensation. Ces grains de glace de
CO2 perdent de l’altitude par gravité, se subliment éventuellement dans une masse d’air plus chaude,
pour enfin se déposer au sol. Le détail microphysique de la formation de la neige martienne n’est pas
très bien établi. Des expériences de laboratoire suggèrent que les conditions de nucléation atmosphé-
rique martiennes formeraient plutôt de la neige à taille de grains plus grosse que celle observée dans les
nuages par Pathfinder (95). Néanmoins, le processus de précipitation sous forme de neige semble être
minoritaire, d’après les analyses de TES (299) et les GCM (51). Nous n’allons pas décrire ce phénomène
atmosphérique avec plus de détails.
La modélisation de la masse de CO2 condensée directement au sol, passe par une estimation du bilan
d’énergie radiative à la surface (79). Afin d’améliorer la clarté, les notations utilisées ici sont les mêmes
que dans l’article développé au cours de cette thèse et disponible en annexe 15. La quantité de masse de
CO2 qui se condense à la surface de Mars est déduite des équations 7.4 et 7.5, en explicitant les gains et
les pertes d’énergie :

∂ MCO2 out in in 1
= (Ftherm − FAdv − Fcond −Wsun ) (7.6)
∂t LCO2
out la perte d’énergie par émission infrarouge thermique, F in le gain d’énergie par advection
Avec Ftherm Adv
atmosphérique, Wsunin le gain d’énergie solaire, F
cond le bilan d’énergie échangé avec le sous-sol (ce terme
peut être un gain ou une perte). Les termes d’énergie entre parenthèses sont classés par ordre décroissant
de magnitude, en valeur absolue.
Détaillons maintenant chacun des termes de l’équation 7.6 :

Émission en infrarouge thermique out d’émission en infrarouge thermique s’écrit comme :

Le flux Ftherm
out 4
Ftherm = εσ Tsur f (7.7)

Avec σ = 5, 67.10−8 [W.m−2 .K−4 ] la constante de Stefan Boltzmann.

L’émissivité ε (θr , Φr , λ ) est un paramètre mesurant le rapport de flux thermique par rapport à une
situation théorique du corps noir, pour une direction d’émergence et par unité de longueur d’onde. On
se place dans l’approximation du corps gris, d’où ε (θr , Φr , λ ) = ε. Le flux thermique d’un corps noir
théorique a une émissivité ε = 1.
L’émissivité ε (θr , Φr , λ ) est un paramètre qui exprime la capacité d’un composant à émettre ou à
absorber de l’énergie radiative par des mécanismes quantiques, s’il existe des transitions de niveau
d’énergie (diminution ou augmentation) permises. Un corps qui absorbe fortement (AIR  1) dans une
gamme de longueurs d’onde aura dans la même gamme un comportement proche de celui du corps noir
(ε ' 1).
Dans les matériaux granulaires (comme les dépôts saisonniers), il s’ajoute des phénomènes de
transfert radiatif d’absorption et de diffusion de la lumière aux longueurs d’onde correspondantes à
l’émission thermique. L’émissivité est reliée à l’albédo directionnel-hémisphérique dans l’infrarouge

130
 7.2. PARADIGME ACTUEL

Adh,IR (θi , Φi , λ ) (voir section 1.3.1 page 22), via la loi de Kirchoff Adh,IR (θi , Φi , λ ) = 1 − ε (θi , Φi , λ )
Cette loi est valide pour les matériaux des surfaces planétaires, en particulier pour les givres de CO2 ,
comme le montrent les études théoriques de transfert radiatif (305).

Lorsque le CO2 se condense, sa température Tsur f est contrôlée par la pression atmosphérique via la
loi de pression de vapeur saturante. La pression au sol à l’endroit considéré, est contrôlée par l’altitude,
le cycle de pression atmosphérique et les effets météorologiques (voir section [Link]). Aujourd’hui, la
topographie est très bien déterminée grâce à l’instrument MOLA. Le cycle de pression annuel au sol
est estimé précisément grâce aux GCM. C’est une combinaison des variations de pression dues à la
condensation/sublimation aux deux pôles, superposée à l’effet météorologique de redistribution par les
vents (voir section [Link]). Cet effet météorologique est estimé par les GCM (121). Les écarts entre
conditions moyennes et réelles ne jouent qu’un rôle très mineur sur la pression (à quelques % près).
Le terme d’émission thermique représente de l’ordre de 20 à 30 W.m−2 .

Advection atmosphérique L’énergie apportée à la surface par advection atmosphérique FAdv in peut être

estimée par les GCM. Ce terme ralentit la condensation du CO2 sur le bord de la calotte saisonnière, et
peut aller jusqu’à 20-30 W.m−2 (245; 87).

Conduction de chaleur dans la subsurface Les échanges de chaleur en mode conductif avec la sub-
surface sont de deux types : le flux géothermique et l’onde de chaleur annuelle.
1. Le flux géothermique est dû au chauffage par les éléments radioactifs essentiellement dans la
croûte de la planète. Ce terme est très faible, de l’ordre de 15 à 45 mW.m−2 (270).
2. Onde de chaleur annuelle. Lorsque la surface est couverte de glace de CO2 en équilibre, sa tem-
pérature est contrôlée par la pression atmosphérique et demeure quasiment constante au cours de
l’année à '150 K. Lorsque les dépôts saisonniers sont absents, la surface peut atteindre une tempé-
rature très élevée de plus de 230K (en fonction de la latitude, de l’albédo et de la pente) provoquant
une conduction de chaleur dans le sous-sol (onde de chaleur). Chaque niveau de la subsurface se
comporte comme une source de chaleur, celle-ci se propageant aussi bien vers le haut que vers le
bas. Par conséquent, pendant la nuit polaire, quand la surface est à nouveau recouverte de dépôts
de CO2 à 150K, une onde de chaleur annuelle de “retour”, avec un flux jusqu’à 25 W.m−2 , atteint
la surface. Le flux dépend de l’inertie thermique du sol (4) et décroît avec le temps à partir de la
date à laquelle la première glace de CO2 s’est condensée.
Le bilan annuel du flux total de chaleur de la subsurface est estimé par les données Viking à un gain de
20-30 W.m−2 (233).

Flux solaire et atmosphérique Le flux d’énergie solaire absorbé Wsun in provient de différents sous

termes : l’insolation directe transmise au travers de l’atmosphère, le flux solaire indirect diffusé par
l’atmosphère, l’énergie thermique absorbée et réémise par l’atmosphère. En général, ce terme est très
faible car la condensation se produit avec un soleil proche de l’horizon, voire pendant la nuit, lorsque
l’atmosphère est froide.

[Link] Phase d’ablation

Le processus majeur d’ablation de la couche de dépôt est la sublimation. La majeure partie de la
phase de sublimation se produit pendant le printemps et le début de l’été polaires. Durant la période
d’alternance jour/nuit, une condensation pendant la nuit et une sublimation pendant le jour sont possibles.
L’ablation peut aussi se faire de façon mécanique sous l’action du vent. En Antarctique sur Terre,
ce mécanisme est à l’origine des “Blue Ice Area” (27). A l’aval d’un mont, le vent est plus turbulent,
l’érosion mécanique est plus efficace provoquant l’apparition d’une zone en ablation nette. A ces endroits
spécifiques, la calotte terrestre composée de glace d’eau, mise à nue par ce processus, apparaît comme

131
CHAPITRE 7. LE CYCLE SAISONNIER MARTIEN

bleue.
Sur Mars, une redistribution de la neige par les vents est suggérée par les observations de la sonde
Mariner 9 (293) et TES à bord de MGS (299). Il est intéressant de noter que la présence de givre modifie
localement l’écoulement (276).
De la même manière qu’en phase d’accumulation, la modélisation de la masse de CO2 sublimée au
sol se fait grâce au bilan d’énergie radiative à la surface (79) :

∂ MCO2 in out in 1
= (−Wsun + Ftherm − Fcond − FAdv ) (7.8)
∂t LCO2
Cette équation est identique à l’équation 7.6 mais les ordres de magnitude relatifs entre les termes
ont changé.
Détaillons chacun de ces termes :

Flux solaire et atmosphérique Le flux d’énergie solaire absorbé Wsun in provient de différents sous

termes : l’insolation directe absorbée au sol, le flux solaire indirect diffusé par l’atmosphère, l’énergie
thermique émise par le ciel. Détaillons ces différentes contributions :
1. Flux solaire direct absorbé au sol : Il dépend du flux solaire arrivant au sommet de l’atmosphère et
de différents facteurs :
(a) Flux solaire directe au sommet de l’atmosphère : Laskar et al. récapitulent de façon détaillée,
l’estimation classique du flux solaire au sommet de l’atmosphère et de son intégration au
cours de la journée (177). Il dépend de différents paramètres qui sont parfois reliés entre
eux : flux solaire, latitude, distance entre Mars et le Soleil, position de la planète sur son
orbite (longitude subsolaire : Ls), obliquité et excentricité. C’est le paramètre clef à l’origine
de la théorie astronomique des climats.
(b) Transmission atmosphérique : Cette quantité dépend de l’absorption par les gaz, de l’absorp-
tion et de la diffusion par les aérosols (atténuation atmosphérique).
(c) Pente locale : La quantité d’énergie interceptée par une surface unité dépend de sa pente
locale. Cet effet géométrique de la pente est déterminé par l’angle entre la normale à la
surface et la direction solaire. Il existe un effet d’ombrage des surfaces planétaires qui sont
rugueuses. J’ai tenu compte de ces deux effets dans le modèle élaboré au cours de ma thèse.
(d) Facteur d’absorption : Il s’agit du complémentaire à un de l’albédo bolométrique
directionnel-hémisphérique dans le visible Adh,vis (θi , Φi ) (voir section 1.3.1 page 22). Ce
paramètre décrit la fraction effective du rayonnement, arrivant à la surface dans la direction
d’incidence solaire, qui est absorbée par celle-ci. Cette variable dépend fortement du libre
parcours moyen des photons dans la surface planétaire, elle-même contrôlée par la taille des
grains et les indices imaginaires optiques des matériaux. Des estimations de l’albédo de la
glace de CO2 , utilisant une approche de transfert radiatif avec de la diffusion de Mie (voir
chapitre 1), donnent des albédos dans le visible de 0,8/0,6/0,4 pour des tailles de grains de
0,1/0,5/2,0 mm (305). La quantité de poussière et dans une moindre mesure celle de l’eau,
contrôlent aussi l’albédo. De plus, ce paramètre est directionnel, il dépend de la direction
d’incidence (voir section 1.3 page 21).
2. Flux solaire diffusé par l’atmosphère et absorbé au sol : La lumière solaire arrivant au sommet
de l’atmosphère (point 1 (a)) est diffusée et absorbée par les particules et gaz atmosphériques. A
la surface, le flux résultant n’est pas toujours isotrope : il a une forte luminance dans la direction
solaire. En général, il est dépendant du contenu en poussières. La pente locale a pour effet de
réduire l’angle solide d’acceptation du flux solaire indirect, sur la surface. L’effet d’ombre portée
dû à la rugosité est toujours présent. L’absorption dans le visible est similaire au point 1 (d) à la
différence que le flux incident est cette fois-ci dans toutes les directions. Le facteur d’absorption
est le complémentaire à un de l’albédo bolométrique hémisphérique-hémisphérique Avis pondéré
par la fonction directionnelle du flux diffusé.

132
 7.2. PARADIGME ACTUEL

3. L’énergie thermique émise par l’atmosphère et absorbée au sol : L’absorption de l’énergie solaire,
par les gaz et aérosols atmosphériques, réchauffe l’atmosphère. En retour, elle émet un rayonne-
ment en infrarouge thermique qui peut être absorbé par le sol. A la surface, le flux résultant n’est
pas toujours isotrope. La pente locale a pour effet de réduire l’angle solide d’acceptation du flux
thermique atmosphérique, sur la surface. L’effet d’ombre portée, dû à la rugosité, est toujours pré-
sent. L’absorption au sol s’écarte de celle exposée au point 1 (d) car le flux incident est cette fois
dans toutes les directions et dans le domaine infrarouge. Le facteur d’absorption est le complé-
mentaire à un de l’albédo bolométrique hémisphérique-hémisphérique AIR pondéré par la fonction
directionnelle du flux thermique en surface (voir section 1.3.1 page 22).
La contribution majeure de ces trois sous-termes provient du terme du flux solaire direct, absorbé au
sol (point 1). J’ai estimé au cours de cette thèse que les autres sous-termes sont, au plus, 10 fois moins
importants. La puissance surfacique totale absorbée par la surface peut atteindre 250 W.m−2 au pôle géo-
graphique. La situation orbitale actuelle privilégie une insolation maximale plus forte au Sud qu’au Nord
mais un nombre de jours estivaux plus important au Nord qu’au Sud. Ces deux effets sont équilibrés :
l’insolation totale reçue au cours d’une année est équivalente pour les deux pôles.

Émission en infrarouge thermique Le flux Ftherm out d’émission en infrarouge thermique, lorsque la

glace de CO2 est présente au sol, est en tout point identique pour la phase de condensation et de subli-
mation (voir section [Link]). Le terme d’émission thermique représente 20-30 W.m−2 pour la phase de
sublimation.

Conduction de chaleur dans la subsurface Les échanges de chaleur en mode conductif avec la sub-
surface sont identiques à la phase de condensation (voir section [Link]).
L’onde de chaleur annuelle décroît avec le temps, à partir de la date de la première condensation de
la glace de CO2 . J’ai estimé que ce terme d’onde de chaleur, durant la phase de récession, ne dépasse pas
en moyenne 3 W.m−2 (voir section [Link] page 158).
Le bilan annuel du flux de chaleur totale de la subsurface est estimé par les données Viking à un gain
de 20-30 W.m−2 (233) ce qui est compatible avec mon estimation.

Advection atmosphérique Contrairement à la phase de progression, nous pouvons nous affranchir du

terme d’énergie apportée à la surface par advection atmosphérique FAdv in pendant la phase de récession.

En effet, il est négligeable devant l’énergie solaire incidente lorsque la surface est éclairée (245; 121).

Le bilan d’énergie radiative en phase de condensation se fait entre des gains et des pertes qui peuvent
être de même ordre de grandeur tandis que durant la phase de sublimation, les gains sont largement
dominants à cause de la forte insolation et du tamponnage de la température des dépôts de CO2 . Cette
différence permet d’expliquer pourquoi la phase de progression des calottes saisonnières est plus longue
que la phase de récession.

7.2.2 Observables
Ce modèle de condensation et sublimation de CO2 permet de reproduire quatre observables : pro-
gression et récession de la surface couverte de dépôts saisonniers, la pression au sol mesurée par Viking
Lander 1 et 2, la présence de points froids (zones à température de brillance anormalement basse), et la
répartition des masses autour de la planète.

[Link] Progression et récession des dépôts saisonniers

L’extension spatiale des dépôts saisonniers et son évolution au cours du temps sont à l’origine du
paradigme de condensation/sublimation de CO2 . Introduisons deux concepts qui permettent de décrire la
récession : la date et la ligne crocus.

133
CHAPITRE 7. LE CYCLE SAISONNIER MARTIEN

F IG . 7.1 – Définition de la date crocus. C’est le point d’inflexion dans le signal temporel de température
de brillance (figure d’après (153)).

F IG . 7.2 – Comparaison de la surface couverte de dépôts saisonniers entre le GCM “Mars Climate Data-
base” et les données Viking (138) (cercle). Les différentes lignes correspondent à la latitude équivalente
pour plusieurs scenarii de profondeur optique de poussière (figure d’après (190)).

La date crocus pour un endroit donné, correspond à la date où la glace est en train de disparaître de la
surface. Ce concept a été proposé par Kieffer et al. dans l’analyse des données TES (153) et correspond à
la date pour laquelle le signal de température, en fonction du temps, a une inflexion (voir fig. 7.1). Cette
forme est modélisée par une fonction arctan sans justification physique.
La ligne crocus à une date donnée, correspond à l’extension spatiale des dépôts saisonniers. C’est la
ligne reliant tous les points ayant une date crocus similaire. Par exemple, l’illustration page 149 repré-
sente l’évolution de la ligne crocus au cours du temps (en °Ls).
Il est possible de comparer les lignes crocus modélisées par les GCM et observées sur Mars, en
moyennant en longitude (190). La variable issue des GCM est la latitude équivalente, au delà de laquelle
la surface est entièrement recouverte de dépôts saisonniers de CO2 . Elle est calculée pour des dépôts
symétriques autour du pôle géographique, de manière à ce que la surface totale couverte de dépôts prédite
par le GCM reste constante. La figure 7.2 montre l’adéquation entre les mesures de Viking (138) et le
GCM développé en Europe (190).
L’extension spatiale des dépôts saisonniers forme une observable reproduite au premier ordre, en
moyennant sur la longitude. L’asymétrie de la récession des dépôts au Sud, comme suggéré d’après
les observations télescopiques de l’illustration page 149, n’est pas pris compte. De plus, les données
disponibles à haute résolution spatiale sont écartées. Plusieurs raisons expliquent ces faits :
– Faible résolution spatiale des GCM. Les GCM prédisent l’extension des dépôts sur une grille avec
une faible résolution spatiale (quelques degrés en latitude).
– Mauvaise prise en compte du cycle de l’eau. Seules les observations très récentes d’OMEGA
(depuis 2004) en infrarouge proche permettent de faire une distinction claire entre glace d’eau et
glace de CO2 (voir section 7.3.3). De plus, les GCM n’ont incorporé que très récemment le cycle
de l’eau associé (217).
– Mauvaise prise en compte des processus locaux. Certains effets locaux atmosphériques ou de sur-

134
 7.2. PARADIGME ACTUEL

(a) Viking (b) Modèle

F IG . 7.3 – Pression atmosphérique martienne : (a) pression au sol mesurée par Viking Lander 1 et 2 ; (b)
en bas : pression atmosphérique équivalente stockée dans les calottes saisonnières ; (b) en haut : pression
atmosphérique à l’altitude 0 (voir eq. 7.9). Figure d’après Hourdin et al. (121).

face, peuvent modifier l’extension spatiale des dépôts saisonniers : les phénomènes d’écoulement
en surface modifient l’accumulation par précipitation de neige (voir section [Link]) ; le contenu en
aérosols atmosphériques qui est variable, modifie le bilan radiatif (voir section [Link]). De plus,
les champs d’albédo ou d’émissivité peuvent varier très localement, comme c’est le cas pour la
région cryptique à cause des geysers (voir section [Link]). Citons également les effets de pentes
et d’ombrage qui sont dûs à la rugosité de surface et qui ne peuvent pas être pris en compte dans
un GCM à l’échelle globale.

[Link] Pression au sol

Le signal de pression atmosphérique au sol, mesuré par Viking Lander 1 et 2, met en évidence
plusieurs phénomènes à des échelles de temps différents (296; 121) (voir figure 7.3 a).
A l’échelle journalière, l’effet des marées thermiques domine le signal. A l’échelle de quelques jours
martiens, les ondes planétaires transitoires impriment leur passage. L’échelle annuelle comporte plu-
sieurs phénomènes saisonniers imbriqués. En décrivant le phénomène global, la composante de pression
atmosphérique Patm (t) est simplement déduite de la conservation de la masse totale de CO2 , exprimée en
pression atmosphérique équivalente :

Patm (t) = Ptot − PN (t) − PS (t) (7.9)

Avec Ptot la pression équivalente à la totalité du réservoir de CO2 mobilisable, PS (t) et PN (t) les
pressions atmosphériques équivalentes stockées dans les calottes saisonnières de CO2 sud et nord. Il
existe peut-être d’autres réservoirs de CO2 sur Mars non impliqués dans le cycle climatique, mais ils
doivent être isolés de l’atmosphère.
Localement, la pression mesurée au sol n’est pas directement Patm (t) (voir figure 7.3 a et b) à cause
de la redistribution des masses d’air (288; 122). La pression au sol Psol (x,t), telle que mesurée par Viking
à la position géographique x, est définie par :

Psol (x,t) = Patm (t).α(x,t) (7.10)

Avec α(x,t) le facteur météorologique qui dépend à la fois d’une composante orographique et d’une
composante dynamique.

135
CHAPITRE 7. LE CYCLE SAISONNIER MARTIEN

La composante orographique est une variation horizontale de pression due aux différences d’alti-
tude entre les deux hémisphères martiens. Tandis que la composante dynamique est due à l’équilibre
géostrophique, responsable des fortes variations de pression en latitude.
Plusieurs études utilisant des GCM reproduisent le cycle annuel de pression mesuré par Viking 1
et 2 mais avec des émissivités faibles pour les dépôts volatiles de CO2 (307; 244). En 1995, une étude
de sensibilité, laissant albédo et émissivité comme paramètres libres, confirme ce résultat (121). Pour
reproduire le signal de pression saisonnier, il faut une émissivité de l’ordre de 0,65 et un albédo de 0,5
en supposant les mêmes pour les calottes nord et sud. En revanche, si une dissymétrie entre le Nord et le
Sud est permise, l’albédo moyen au Nord est de 0,65 (contre 0,3 au Sud) tandis que l’émissivité au Nord
est de 0,48 (contre 0,7 au Sud). Les mesures de l’instrument IRTM à bord de Viking ont montré que
les valeurs d’émissivité sont plutôt proches de l’unité (233). La même étude montre que l’albédo varie
pendant la saison de récession entre 0,4 et 0,7 au Nord et entre 0,5 et 0,75 au Sud.
L’ajout du processus de précipitation de neige de CO2 (83) permet de reproduire le cycle de pres-
sion de Viking avec des émissivités correctes de l’ordre de 0,95 et un albédo constant de 0,5, tout en
reproduisant correctement la distribution des points froids (voir section [Link]).

[Link] Points froids : zones à faible température de brillance

Certaines observations des pôles pendant la nuit permanente, avec l’instrument IRTM de Viking
Orbiter, ont mis en évidence des points “froids”. Il s’agit de zones très localisées dans l’espace et dans le
temps ayant des températures de brillance inférieures à 135 K alors que la température de condensation
de la glace de CO2 est de l’ordre de 145-148 K à l’équilibre de pression saturante (151). Plusieurs
explications coexistent actuellement :

1. Enrichissement en espèces chimiques non condensables : Localement, aux endroits où la conden-

sation se produit intensément, les mouvements atmosphériques n’arrivent plus à compenser les
pertes de CO2 . Une baisse de la pression partielle de cette molécule et donc un enrichissement en
espèces non condensables en résultent. Ceci pourrait induire une baisse de la température de la
surface d’après la section 7.2.1. Cette hypothèse, déjà proposée en 1977 (151), a été éliminée par
une étude de Hess montrant qu’une telle situation, avec de forts gradients verticaux et horizontaux
est très improbable (116). Néanmoins, ce processus a été remis à l’ordre du jour très récemment,
après la détection par GRS d’un enrichissement de l’atmosphère en Argon, pendant la nuit polaire
(282). Une modélisation par GCM a aussi vu le jour (85).
2. Émissivité thermique plus faible qu’attendue : A cause de mauvaises estimations des constantes
optiques ou du transfert radiatif, l’émissivité peut être mal estimée (59). Les constantes optiques
du CO2 mesurées en laboratoire (59; 105) et les modèles (305; 81), montrent qu’une faible taille
des grains a un effet important. Elle baisse suffisamment l’émissivité pour que la température de
brillance soit compatible avec les observations IRTM. Cependant, les fortes variabilités spatiales
et temporelles des points froids suggèrent un métamorphisme très rapide au sol (quelques jours).
3. Présence de nuages de glace de CO2 : Cette hypothèse est basée sur l’effet de la diffusion par
les aérosols dans l’infrarouge thermique qui baisserait artificiellement la température de brillance
(126).
Une étude du bilan radiatif a montré que si la densité optique des poussières atmosphériques passe
de 0 à 5, on passe d’un régime de condensation au sol à un régime de condensation du CO2 presque
exclusivement dans l’atmosphère (245). Ce modèle démontre que la poussière augmente l’émis-
sivité de l’atmosphère, donc son taux de refroidissement ainsi que son taux de condensation. Les
observations de Viking corroborent ce résultat (245).
De plus, le transfert radiatif dans les particules de glace fait baisser la température de brillance, car
les nuages agissent comme un filtre (81). C’est le cas pour des nuages précipitables de grains de
CO2 supérieur à 10 microns.
En revanche, les nuages non-précipitables de taille de grains submicroniques, n’ont pas cet effet.

136
 7.2. PARADIGME ACTUEL

Une étude détaillée a montré avec une modélisation par GCM que la distribution spatiale et tem-
porelle de l’occurrence des points froids est compatible avec les données TES (83).
De plus, l’ajout de ce phénomène de neige de CO2 permet de simuler le cycle de pression atmo-
sphérique mesuré au sol par Viking Lander 1 avec une émissivité de 0,95 pour la calotte saisonnière
compatible avec les données (voir section [Link]).
Les deux hypothèses les plus probables sont donc une faible émissivité thermique due à une faible
taille de grains pour les dépôts de CO2 au sol et/ou la présence de nuages de glace de CO2 . Forget
et al. montrent que le signal de température de brillance ne permet pas d’établir la différence entre
un givre frais au sol et des nuages (81). L’hypothèse d’un givre de CO2 à faible taille de grains est
corroborée par TES et la réflectance mesurée par MOLA (106).
Des mesures du temps de retour avec l’altimètre laser MOLA ont permis de distinguer les deux
phénomènes (130). En effet, un écho de surface est très différent d’un écho atmosphérique (temps
de retour plus long et une dispersion moins grande). La conclusion de cette étude est que les points
froids sont parfois dûs à des nuages mais aussi très fréquemment liés à des zones au sol couvertes
de neige fraîche, donc à petits grains. Cette conclusion est appuyée par une étude plus complète,
mêlant les données MOLA et des simulations de climat, étude qui explique l’occurrence de préci-
pitations de cristaux de CO2 , à cause d’effets dynamiques à grande échelle, liés à la topographie
de l’hémisphère sud de Mars (52).
En conclusion, les deux hypothèses de la glace de CO2 à faible taille de grains, soit à la surface, soit dans
l’atmosphère produisent le même effet : un point froid, c’est à dire une zone de température de brillance
anormalement basse. La distribution annuelle à l’échelle globale des points froids est correctement mo-
délisée par les GCM.

[Link] Masse totale

La masse totale impliquée dans le cycle saisonnier peut être estimée par plusieurs méthodes.

Déformation du géoïde La sonde MGS a permis de mesurer précisément les variations saisonnières de
forme du géoïde martien, notamment le coefficient C2,0 du champ de gravité (277; 311). L’aplatissement
du géoïde diminue lorsque le CO2 atmosphérique se condense aux pôles et augmente quand le CO2
se sublime à nouveau et qu’il est plus uniformément redistribué autour de la planète. Une étude plus
récente utilisant aussi le coefficient C3,0 montre que les GCM modélisent correctement le cycle saisonnier
martien (143).

Épaisseur et densité des dépôts L’instrument MOLA à bord de MGS est un laser altimètre qui permet
de mesurer très précisément (à moins d’un mètre près), l’altitude locale de Mars. Les variations tempo-
relles du signal d’altitude pour les hautes latitudes s’expliquent par la constitution puis le démantèlement
de la calotte saisonnière (277). Cette première étude montre que l’amplitude des variations augmente
linéairement avec la latitude entre 0 m à 60° de latitude et 1m au pôle.
En combinant les informations de masse, déduites de la déformation du géoïde, cette étude propose une
masse volumique pour les dépôts de 0,910±0,230 [Link]−3 . Une autre étude, basée sur la décomposition
en série de Fourier du signal temporel, confirme que l’amplitude annuelle est d’un mètre (8). En compa-
rant avec les données de masse déterminées par les mesures du flux de neutron, Aharonson propose une
masse volumique plus réaliste de 0,5 [Link]−3 (8).

Flux de neutron La production de neutrons dans le sol est induite par le bombardement des rayons
cosmiques galactiques. Le flux de neutron, qui s’échappe du sol, est fortement diminué par la présence
d’hydrogène qui absorbe les neutrons. La spectroscopie neutron est donc sensible à la quantité d’eau en
subsurface jusqu’à un voire deux mètres de profondeur.
L’instrument HEND à bord de Mars Odyssey mesure le flux des neutrons épithermiques et rapides en
provenance du sol martien. Ces flux permettent d’estimer la masse d’élément H présente dans le sol.

137
CHAPITRE 7. LE CYCLE SAISONNIER MARTIEN

Le résultat majeur de cet instrument est la détection dans les zones polaires jusqu’à 60° de latitude
d’une subsurface enrichie en glace d’eau (32; 73). Lorsque la calotte saisonnière de CO2 recouvre cette
subsurface riche en eau, le flux de neutron augmente. En supposant un modèle de substrat, il est possible
d’estimer la masse des dépôts de glace de CO2 en surface à partir du signal saisonnier du flux de neutrons
(193; 192). La taille du pixel de ce type d’instrument est de l’ordre de la centaine de kilomètres.
Le modèle proposé par Litvak et al. suppose un sol homogène comportant 10 à 15 % d’eau en masse
à 60°N, augmentant jusqu’à 50 % au pôle nord. Pour la région polaire sud, un sol à deux couches est
meilleur. La couche supérieure, de 10 à 12 cm d’épaisseur, est de la poussière sèche. La couche inférieure
a les mêmes propriétés verticales et géographiques que le sol homogène de l’hémisphère nord.
Des comparaisons entre le GCM du NASA/Ames (103) et les mesures de masse de CO2 ont été
effectuées. Il existe une bonne correspondance entre la masse de CO2 déterminée par les observations et
le GCM au Nord et au Sud, pour des moyennes sur des bandes de latitude de 10° (192; 191).

Flux de rayon gamma Le principe de la spectroscopie gamma est identique à celui des neutrons.
Le bombardement des rayons cosmiques galactiques produit des rayons gamma dans le sol qui sont
absorbés par les neutrons, signant la présence d’eau. La profondeur de détection est d’un à deux mètres.
Aux latitudes supérieures à 60°, la calotte saisonnière de CO2 produit un signal saisonnier, dont peut être
extrait la masse en surface. L’inversion par méthode Monte-Carlo des spectres gamma de GRS, à bord
de Mars Odyssey, a pu montrer la bonne correspondance avec les simulations générées par le GCM du
NASA/Ames (146). Cette étude confirme bien que 25% de la masse atmosphérique totale est impliquée
dans le cycle saisonnier de condensation/sublimation. Aussi, les mesures indépendantes en spectroscopie
gamma et neutron, sont toutes deux compatibles avec les GCM.

7.3 Incomplétudes : avancées et interrogations

Le paradigme du cycle saisonnier martien par condensation/sublimation est mis à l’épreuve par des
observations de plus en plus nombreuses. A ce sujet, nous allons évoquer notamment la notion de symé-
trie centrale autour du pôle géographique. Lorsque cette symétrie est brisée, nous utilisons alors le terme
d’asymétrie. De plus, quand il peut exister des différences entre les observations des hémisphères nord
et sud, alors nous utilisons le terme de dichotomie, en référence à la dichotomie d’altitude.
Quelques incomplétudes persistent entre modèles et observations. Listons ici les majeures :
– l’asymétrie de la calotte saisonnière sud,
– la dichotomie de la persistance estivale de la glace de CO2 au pôle
– la dichotomie de la présence de glace d’eau au sol dans le cycle saisonnier.
Certaines des incomplétudes ont une explication convaincante par un phénomène physique qui n’est pas
incorporé dans les modèles de type GCM. D’autres restent des problèmes complètement ouverts.
De façon plus indirecte, le cycle saisonnier martien peut être impliqué dans la constitution ou la
destruction des réservoirs de volatiles en subsurface et surface avec l’hydratation minérale. Les échanges
avec ses réservoirs devraient aussi être pris en compte pour une compréhension fine du cycle saisonnier.

7.3.1 Asymétrie de la calotte saisonnière sud

La calotte saisonnière, observée dans le domaine de la lumière visible, forme une unité de terrain
d’albédo plus élevée que le régolithe sombre des hautes latitudes. Dès lors, l’observation de la calotte
saisonnière est relativement aisée, permettant à Maraldi de l’apercevoir dès 1719 avec des télescopes de
piètre qualité.
La calotte saisonnière nord a une récession quasi symétrique par rapport au pôle géographique nord,
d’après les observations Viking (140), MOC (24), TES (152) et maintenant OMEGA (263; 265). Ce n’est
pas le cas pour la calotte saisonnière sud à cause de la région cryptique.

138
 7.3. INCOMPLÉTUDES : AVANCÉES ET INTERROGATIONS

[Link] Asymétrie de la récession

Les premières évidences de l’asymétrie de la récession de la calotte saisonnière sud apparaissent dès
1905 (75; 302) (voir illustration page 149). Malgré cette asymétrie, la récession est au premier ordre
toujours identique d’une année martienne à une autre. Afin de comparer les différentes années et les dif-
férentes observations, James et al. proposent de modéliser l’extension géographique du dépôt saisonnier
par un disque dans une projection stéréographique polaire sud (136). Il s’agit d’ajuster deux paramètres :
le centre et le rayon du disque. Les observations Viking (136), au sol (137; 131) ou MOC (24) montrent
toujours une asymétrie de récession qui commence vers Ls=220°. Le méridien de longitude 120°E a une
vitesse de récession plus rapide que le méridien opposé de longitude 60°W. Cette asymétrie a été confir-
mée par les observations TES (153) et OMEGA (172). Elle est liée à la région cryptique, introduite par
Kieffer, en 2000, à partir des analyses des données TES (153) (voir section suivante).
Cette vision simpliste du disque ne décrit pas correctement le détail de la zone couverte par les dépôts
saisonniers. Il existe des îlots clairs détachés du disque et des îlots sombres à l’intérieur du disque. De
plus, le bord du disque a une géométrie complexe. Les montagnes de Mitchel forment l’îlot clair détaché
le plus étendu et le plus connu. Il tient son nom du directeur de l’observatoire de Cincinatti qui l’a observé
pendant l’opposition de 1845.
Lors de cette thèse, j’ai montré que l’hypothèse la plus vraisemblable pour expliquer cette asymétrie
réside dans la phase d’ablation. Cette asymétrie de sublimation est due à une asymétrie d’albédo qui
accélère la récession dans la zone la plus sombre (voir section 8.1 page 150).

[Link] La région cryptique

Le concept de région cryptique a été introduite par Kieffer et al. en 2000, en analysant la récession de
la calotte saisonnière sud avec l’instrument TES à bord de MGS (153). Il s’agit d’une région qui comporte
deux caractéristiques a priori contradictoires : un albédo faible (signant la présence de poussière) et une
température proche de 140K (signant la présence de glace de CO2 ). La région cryptique apparaît comme
un îlot sombre à l’intérieur du disque (voir section précédente).
Une étude plus récente a permis une définition plus précise de la région cryptique utilisant toujours les
données TES (242). Il s’agit de l’ensemble des îlots d’albédo inférieur à 0,38 et comportant une signature
en température de glace de CO2 . Cette définition permet de dessiner les contours de la région cryptique au
cours du temps. La “région cryptique union” est l’ensemble des points qui présentent des caractéristiques
de crypticité à un moment donné pendant la récession de la calotte saisonnière (SSPC). La “région
cryptique intersection” est l’ensemble des points qui présentent des caractéristiques de crypticité pendant
toute la récession de la SSPC. Introduisons aussi la “région anticryptique” qui est le complémentaire de
la région cryptique union dans le domaine des hautes latitudes.

Spiders et geysers Afin d’expliquer la contradiction apparente albédo/température de cette zone cryp-
tique, deux hypothèses majeures ont été avancées :
1. La plus simple invoque de la poussière en contact avec de la glace sous-jacente (153). La tempéra-
ture de la couche de poussière superficielle serait contrôlée par le CO2 sous-jacent, mais l’albédo
de la couche supérieure resterait sombre. Il faut donc que la couche superficielle soit à la fois
optiquement épaisse et non isolante thermiquement.
2. La seconde explication est la présence d’une couche de glace à gros grains, très pure et suffisam-
ment transparente pour que les photons visibles et proches infrarouges puissent atteindre le sol
sous-jacent. Dans ce cas, la couche de glace de CO2 imposerait bien une température de 140 K
tandis que l’albédo serait contrôlé par le substrat.
Un unique mécanisme permet de concilier ces deux explications : les geysers. Ce mécanisme consiste
en un chauffage basal au travers d’une couche de CO2 transparente (153; 242). Ce chauffage entraîne
une sublimation du CO2 sous la couche de glace. Le gaz ainsi produit monte en pression jusqu’à briser
la couche de glace et se libérer, emportant avec lui la poussière présente dans le substratum. Ce modèle

139
CHAPITRE 7. LE CYCLE SAISONNIER MARTIEN

F IG . 7.4 – Schéma de la formation des geysers. D’après Piqueux et al. (242).

F IG . 7.5 – Observation MOC des Spiders. D’après Piqueux et al. (242).

est schématisé dans la figure 7.4 et explique comment les hypothèses 1 et 2 peuvent être réconciliées. La
partie droite du schéma correspond à la situation de la première hypothèse, tandis que la partie gauche
correspond à la situation de la seconde.
Ce modèle de geyser est conforté par l’observation de figures géomorphologiques très particulières :
les “spiders” (242). Il s’agit de formes ressemblant à des araignées creusées dans le sol minéral à
l’échelle de moins d’un kilomètre (voir figure 7.5). Au printemps, les “spiders” sont recouverts de traî-
nées sombres, vraisemblablement composées de poussière (voir figure 7.6). Piqueux et al. interprètent
ces traînées comme les traînées de poussières déposées par les geysers.
L’argument qui lie le modèle de geyser, les spiders et la région cryptique a été proposé toujours par
la même équipe (242). Ils démontrent que tous les spiders sont situés dans des lieux appartenant à la fois
à la région cryptique union et à une unité géologique de terrains contenant de la poussière. La glace y est
translucide au printemps ce qui assure le chauffage du sol et donc la formation de gaz sous pression. Les
geysers résultants peuvent être matérialisés en surface et causer une contamination.
Le mécanisme de geyser étant validé, il reste encore à montrer l’origine de l’asymétrie. Pourquoi la glace
transparente est préférentiellement présente dans la région cryptique ? La réponse proposée par une étude
climatique impliquant un GCM réside dans la compétition entre les deux phénomènes d’accumulation :

140
 7.3. INCOMPLÉTUDES : AVANCÉES ET INTERROGATIONS

F IG . 7.6 – Observation MOC à Ls=208° des liens entre les “spiders” et geysers. Les traînées sombres de
dépôt de poussière ont comme point d’origine les centres des “spiders”. D’après Piqueux et al. (242).

condensation directe au sol et précipitation de neige (51). Les bassins d’Hellas et d’Argyre produisent
une asymétrie dans l’écoulement atmosphérique qui induit une asymétrie dans la part d’accumulation
faite par précipitation. La précipitation de neige, qui produit des glaces au sol à grain relativement fin, a
lieu préférentiellement dans la région anticryptique. A l’inverse, la région cryptique est moins sujette à
précipitation de neige, la glace transparente peut s’y développer plus aisément par condensation directe
et le mécanisme de geysers aussi.
Des études récentes en infra-rouge thermique avec THEMIS (155) et infra-rouge proche avec
OMEGA (175) confirment certains aspects de ce modèle. L’inversion des spectres OMEGA à l’aide
d’un modèle de transfert radiatif permet de montrer que de la poussière est présente en surface d’une
couche transparente de CO2 dès Ls=197° pour la région cryptique. Dans ce cas, la contamination super-
ficielle par la poussière doit inhiber le chauffage du substrat car le rayonnement solaire est absorbé en
surface.
Néanmoins, le maximum de contamination est observé par MOC (248) et OMEGA (175) à Ls=230.
D’autre part, la contamination vue par OMEGA est assez uniforme sur de grandes surfaces alors que la
présence des spiders et des jets est assez localisée. Actuellement, les spiders et la région cryptique ne
sont toujours pas bien compris.
SCOOP : Des analyses géomorphologiques indépendantes tendent à montrer que les spiders seraient
plutôt associés à des “Dark Dune Spots” formés par des colonies de bactéries qui se seraient adaptées
pour vivre à 140 K (118; 92) (voir figure 7.7).

7.3.2 Dichotomie de la persistance estivale de glace de CO2

La calotte nord à la fin de l’été voit disparaître entièrement son dépôt saisonnier de glace de CO2 ,
comme suggéré par les mesures de température de Viking (150) et confirmé notamment avec les obser-
vations OMEGA dans l’infra-rouge proche (174). La glace de CO2 est présente de façon permanente au
sommet de la calotte permanente sud, d’après les données en température de brillance de l’instrument
IRTM de Viking (149). Cette observation a été confirmée depuis par OMEGA dans le domaine infrarouge
proche (25). Sous la couche de CO2 permanente au Sud, il existe la calotte permanente d’eau, révélée par
les mesures de température à haute résolution spatiale de THEMIS (298) ainsi que par OMEGA (25).
Dans un premier temps, nous présentons un état des lieux des explications à propos de la persistance
estivale de la glace de CO2 , exclusivement au Sud. Suit une brève description de cette couche de CO2

141
CHAPITRE 7. LE CYCLE SAISONNIER MARTIEN

F IG . 7.7 – SCOOP : Série d’images MOC à haute résolution dans la région “Inca City” montrant l’évo-
lution d’une colonie de bactéries. D’après (92).

permanente qui a une texture géomorphologique de type “gruyère suisse”. Enfin, la dernière section
présente les implications de l’existence de cette couche permanente de CO2 sur l’évolution de la région
polaire à l’échelle des temps géologiques.

[Link] Pourquoi une calotte permanente de CO2 au Sud ?

Au Sud, il existe une calotte permanente de CO2 et pas au Nord. Or, le sommet de la calotte sud
est 6,4 km plus haut que celui de la calotte nord. L’altitude détermine la pression partielle de CO2 qui
a son tour impose la température d’équilibre d’un dépôt de CO2 solide à la surface (voir section 7.2.1).
Le sommet de la calotte sud a donc une température d’équilibre plus faible que celui au Nord. L’effet
de l’altitude impose donc une plus faible stabilité du CO2 au Sud, ce qui est contradictoire avec les
observations. Cet argumentaire a été proposé en 1973, d’après les observations Mariner (223).
Pour résoudre cette contradiction, l’hypothèse communément admise est la suivante : l’albédo est
plus fort au Sud comme confirmé par les études Viking (233), cité aussi dans cet article (79). Cet effet
d’albédo permet à la glace de CO2 de ne pas absorber suffisamment d’énergie pour se sublimer entière-
ment. L’albédo dépend de la taille de grains (influence les domaines visible et infrarouge du spectre) mais
aussi des impuretés en eau (surtout dans le domaine infrarouge) et poussière (dans les domaines visible
et infrarouge). L’albédo est plus fort au Sud qu’au Nord car le processus de nettoyage des poussières
y serait plus efficace. Plusieurs processus de nettoyage sont possibles : par sustentation de la poussière
(153), par enfoncement des grains sombres (247). Mais, tous ont la même source d’énergie : le soleil.
La quantité d’énergie disponible au sol dépend entre autres, des paramètres astronomiques tel que la
distance au soleil (voir section [Link]). Or, cette distance est plus faible pendant l’été sud que pendant
l’été nord. L’insolation maximale est donc plus forte au Sud. Cependant, l’été nord est plus long que l’été
sud si bien que la quantité d’énergie radiative intégrée sur l’année est identique au Nord et Sud. Seul le
paramètre d’insolation maximale semble pertinent.
De plus, vient s’ajouter une autre dichotomie : le fait que le flux de chaleur venant du sous-sol est
quasi-nul au Sud car la présence de CO2 à température tamponnée toute l’année interdit la progression
d’une onde de chaleur. Au Nord en revanche, l’insolation estivale et la forte inertie thermique de la glace
d’eau permettent de stocker une grande quantité d’énergie qui remonte à la surface en hiver (133). La
présence d’une glace de CO2 permanente sur le pôle sud y induit une forte boucle de rétroaction positive.

142
 7.3. INCOMPLÉTUDES : AVANCÉES ET INTERROGATIONS

F IG . 7.8 – Progression des dépressions du Gruyère Suisse de la calotte saisonnière sud. En haut, image
MOC prise le 19/10/1999 à Ls=227°. En bas, image prise MOC le 23/08/2001 à Ls=219°. Illumination
d’en haut à gauche. D’après (201).

[Link] Gruyère suisse

La calotte permanente de CO2 , qui apparaît sur les images visibles à haute résolution de MOC,
présente une texture très singulière dite de “Gruyère suisse” (ou “Swiss cheese” en anglais). Elle est
composée d’une myriade de petites dépressions circulaires (294) percées à travers la couche de CO2
de quelques mètres d’épaisseur environ (295). Ces dépressions s’élargissent dans le temps preuve que
le réservoir de CO2 au sommet de la calotte permanente sud n’est pas stable dans le temps (201) (voir
figure 7.8).
De nouvelles estimations de l’épaisseur de la couche de CO2 donne une hauteur de huit mètres
environ (35). Cette faible hauteur de CO2 est confirmée par un modèle de formation des dépressions
quasi circulaires. Le modèle proposé fait l’hypothèse que la couche de glace de CO2 comporte un gradient
d’albédo (0,7 en haut à 0,6 en bas) comme le suggèrent les observations MOC lorsque le dépôt saisonnier
de CO2 s’est entièrement sublimé (35). Le CO2 est posé sur la calotte permanente de glace d’eau à plus
fort albédo (0,7) visible au fond de la dépression. La température de brillance dans les dépressions,
déterminée par les observations THEMIS, est supérieure à 170K, confirmant ainsi la présence de glace
d’eau.

[Link] Implications pour le climat passé

Le fait qu’un réservoir de CO2 soit sans cesse au contact avec l’atmosphère a des implications sur
l’histoire de l’atmosphère planétaire. Ce, d’autant plus que le CO2 est un important gaz à effet de serre
qui a pu réchauffer Mars dans le passé au dessus de la température moyenne actuelle.

Pression atmosphérique au cours des temps géologiques La glace de CO2 permanente est un tampon
de pression atmosphérique. Elle permet un contrôle permanent de la pression, qui est un paramètre crucial
de l’histoire de l’atmosphère martienne. La pression atmosphérique détermine par exemple la possibilité
de soulèvement de tempêtes de poussières globales. L’idée de tampon était déjà présente dans l’article
pionnier du CO2 sur Mars de Leighton et Murray (183). Ils utilisaient alors un argument sur la stabilité
de la calotte nord pour prouver leur théorie. Aujourd’hui, les mesures montrent que la calotte permanente
de CO2 est située au Sud. Si une telle glace a été présente tout au long de l’existence de Mars, alors la

143
CHAPITRE 7. LE CYCLE SAISONNIER MARTIEN

pression atmosphérique a été une fonction croissante de l’insolation moyenne au niveau des pôles (154).
L’insolation au niveau des pôles est contrôlée en partie par les paramètres orbitaux et notamment
l’obliquité (voir section [Link]). En cas de faible obliquité, la quantité de CO2 condensée est plus forte et
la pression atmosphérique plus faible (304). En cas de relativement forte obliquité, situation très probable
d’après des études récentes (176), le système atteint un équilibre annuel entre sublimation et condensation
qui rend improbable la stabilité de deux calottes permanentes de CO2 . En cas de très forte obliquité, le
réservoir de CO2 peut être sublimé entièrement, et dans ce cas, il n’y a plus d’effet tampon. Cette situation
n’est possible que si la quantité de CO2 est relativement faible. Il existe donc trois régimes bien distincts
dépendant de l’obliquité.
Certaines considérations remettent en question l’effet tampon.
La quantification précise de la masse de la couche (de hauteur estimée à huit mètres et d’extension
spatiale estimée à 88 000 km2 ) montre que l’effet tampon n’existerait pas à plus haute obliquité qu’ac-
tuellement car la masse de la couche estimée contribuerait à une augmentation de pression atmosphérique
de 0,35 mbar, c’est à dire seulement 5% de la pression atmosphérique totale (35).
De plus, il y a encore un débat sur l’existence permanente de la glace de CO2 , notamment sur des obser-
vations prises depuis la Terre en 1969 (132). Un modèle récent proposé par Byrne permet de s’affranchir
de l’hypothèse de pérennité de la couche de glace de CO2 au Sud (36). Ce modèle inclus les équations
du bilan d’énergie radiative (voir section 7.2.1) et un modèle de rugosité de surface qui augmente avec
la quantité de glace accumulée. Dès que la rugosité de surface est suffisamment importante, des petites
cavités se forment et se creusent jusqu’au substratum de glace d’eau qui produit une dépression circulaire
de morphologie identique au “gruyère suisse”. Les dépressions s’élargissent au cours des années mar-
tiennes jusqu’à un stade limite ou quelques îlots sont stables indéfiniment. Pour réinitialiser le processus,
il suffit de remettre une fine couche de glace de CO2 partout qui provoque une recondensation partout
qui augmente la rugosité partout. La phase de réinitialisation est critique car la glace d’eau nue ne permet
pas à la glace de CO2 de se condenser à cause de la température trop élevée. Il est tout à fait possible que
l’année de tempête de poussière de 1971 soit l’année de réinitialisation, car James fait état d’une couche
de dépôts nouvelle (136). Cette tempête de poussière était localisée au Sud et pourrait donc expliquer
pourquoi la calotte permanente est située au Sud uniquement.
D’autres réservoirs de CO2 sont possibles sur Mars. Par exemple, une alternative à la couche su-
perficielle réside dans un réservoir de clathrate hydrate de CO2 enfoui à dix mètres de profondeur dans
les calottes permanentes, qui serait stable, même pour une obliquité de 60° (134). Dans ce cas, l’effet
tampon serait tout de même réalisé au cours des temps géologiques. Aussi, les carbonates forment une
source potentielle de CO2 mais ils n’ont pas été détectés jusqu’à présent.

Effet de serre La présence d’eau liquide dans le passé martien est suggérée par plusieurs types de
terrains fossiles : vallées ramifiées, vallées de débâcle, paléodeltas, etc (208). Mais l’eau liquide n’est pas
stable à la surface dans les conditions martiennes actuelles. La quantité de gaz de CO2 atmosphérique
est un paramètre important car il permet d’expliquer pourquoi le climat ancien de Mars aurait pu être
beaucoup plus chaud, permettant notamment à l’eau d’être sous forme liquide. Pollack et al. proposent
un modèle climatique à 1 dimension qui permet de montrer que l’effet de serre du gaz de CO2 est suffisant
pour que l’eau soit liquide avec une pression atmosphérique de quelques bars (246). Ils proposent aussi
que la destruction des carbonates soit à l’origine de cette forte pression atmosphérique.
Néanmoins, une étude complémentaire montre que pour des pressions atmosphériques supérieures à
quelques dizaines de mbar, la chaleur latente de condensation du CO2 est telle qu’il est impossible que
l’effet de serre soit suffisant pour créer les conditions propices à l’eau liquide (144).
Différents autres mécanismes ont été compilés dans l’article de Forget et Pierrehumbert (86) : chauffage
géothermique, un soleil plus massif délivrant une quantité d’énergie plus importante, un effet de serre de
méthane ou d’ammoniac. Cependant, aucun ne semble réaliste (145).
Un mécanisme original pour réchauffer Mars a été proposé par Forget et Pierrehumbert : la rétrodiffusion
par les nuages de CO2 du rayonnement thermique vers la surface (86). Ce processus d’effet de serre dû
à la glace de CO2 dans les nuages pourrait aussi avoir eu lieu sur Terre dans le passé. L’effet des nuages

144
 7.3. INCOMPLÉTUDES : AVANCÉES ET INTERROGATIONS

dépend fortement de leur altitude.

En effet, une autre modélisation proposée par Mischna et al. prenant en compte l’effet thermique montre
que des nuages optiquement épais situés bas en latitude aurait un effet inverse de refroidissement de la
planète (213).
Des récentes observations confirment la présence de nuages de CO2 actuellement sur Mars (21; 216).

7.3.3 Dichotomie d’abondance en eau de la calotte saisonnière

Des études récentes montrent que la glace d’eau est présente préférentiellement dans la calotte saison-
nière nord (152; 263). Nous faisons dans une première section le point sur ce fait. Une seconde section
met en exergue le lien possible entre le cycle saisonnier de glace d’eau et celui du CO2 . La dernière
section souligne le rôle qu’a pu jouer la calotte saisonnière d’eau au cours des temps géologiques.

[Link] Pourquoi une couronne saisonnière de glace d’eau au Nord ?

Dans le visible, les comportements spectraux de la réflectance pour la glace d’eau et de CO2 sont
identiques. C’est pourquoi il a fallu attendre les années 70 pour les distinguer clairement, le temps que
des détecteurs adéquats soient développés.
L’infrarouge thermique et l’infrarouge proche, ont d’abord été utilisés respectivement pour une mesure
de la température de brillance (229; 228) et pour celle d’une bande d’absorption à 3 microns, caractéris-
tique de l’eau (113).
Néanmoins, les observations du premier type, comme par exemple par les instruments IRTM à bord de
Viking, TES à bord de MGS et THEMIS à bord de Mars Odyssey (NASA), peuvent être ambiguës en cas
de mélange géographique subpixel. En effet, un mélange linéaire de flux thermiques venant de terrain à
des températures différentes est dominé par le flux du terrain le plus chaud (à cause de la dépendance du
flux à la puissance quatrième de la température).
De plus, contrairement au CO2 solide, la glace d’eau n’a pas une température tamponnée dans un inter-
valle réduit, ce qui rend sa détection plus difficile. Les observations, telles celles acquises dans l’infra-
rouge proche par OMEGA, ne comportent pas ces problèmes. Elles ont tout de même un inconvénient
majeur : elles ne peuvent pas être réalisées la nuit.
Les données TES de la calotte saisonnière nord ont mis en évidence un anneau de température inter-
médiaire (152) autour de la région dominée par la glace de CO2 . Grâce aux données infrarouge proche
du capteur OMEGA, cet anneau a été identifié à de l’eau sans ambiguïté (263). La calotte saisonnière
sud n’implique elle, qu’une très faible quantité de glace d’eau présente uniquement à quelques endroits,
à partir de Ls=220° (172). La couronne nord est présente jusqu’à la fin de la récession (263). Le méca-
nisme proposé pour expliquer le comportement de la couronne d’eau est une recondensation successive
sur la calotte saisonnière de CO2 qui forme un piège froid (119; 252).
Une modélisation du cycle de l’eau par GCM, incorporant les nuages, reproduit bien cette dichoto-
mie d’abondance de vapeur d’eau dans l’atmosphère déterminée par TES (217). Ce GCM suppose que
la calotte nord est recouverte d’une couche semi-infinie de glace pour des latitudes supérieures à 80°N.
Au Sud, le modèle suppose que la température est égale à la température de condensation du CO2 durant
toute l’année, pour des latitudes supérieures à 85°S. Cette étude de Montmessin et al. suggère que les
nuages sont responsables du transport de la moitié du cycle de l’eau dans l’atmosphère. D’autre part, la
mobilité de l’eau par les nuages au cours du cycle annuel n’est pas suffisante pour un échange important
entre les deux hémisphères. Cet article montre aussi que la dichotomie de présence d’eau dans les dépôts
saisonniers est très certainement due à la dichotomie d’eau atmosphérique.
Les observations de TES (280) et OMEGA (70) montrent que l’abondance en vapeur d’eau dans l’at-
mosphère pendant l’été local est supérieur au Nord par rapport au Sud. Cette dichotomie est très proba-
blement due à la présence permanente de glace de CO2 au sommet de la calotte permanente sud (voir
chapitre 7.3.2). En effet, la couche de glace de CO2 permanente empêche le réchauffement et la sublima-
tion de la couche sous-jacente de glace d’eau (voir chapitre [Link]). Au contraire, la calotte permanente
nord est composée de glace d’eau présente en surface pendant l’été, permettant son réchauffement, sa

145
CHAPITRE 7. LE CYCLE SAISONNIER MARTIEN

sublimation et un enrichissement de l’atmosphère localement.

Les observations TES montrent que l’abondance en vapeur d’eau augmente au pôle nord vers Ls=60°.
Or les observations et les modélisations montrent que la glace de CO2 est présente au pôle nord jusqu’à
LS=90°. L’avance de 30° de Ls de l’enrichissement en vapeur d’eau est probablement due à l’absorption
d’eau dans le régolithe ou à la sublimation de glace d’eau des dépôts saisonniers.
L’atmosphère au Sud est donc appauvrie en eau par rapport au Nord pendant l’été, les calottes saison-
nières seraient donc le reflet de cette dichotomie d’état atmosphérique.

[Link] Liens entre cycle saisonnier de CO2 et d’eau

Les conditions thermodynamiques de température et de pression influencent fortement la stabilité de
l’eau liquide en surface (246; 144). La section 7.3.2 expose les implications du cycle saisonnier de CO2
dans l’histoire atmosphérique martienne : effet de serre et pression.
La mise en correspondance des sections 7.3.2 et [Link] met en évidence une interaction possible
entre les dépôts saisonniers de glace d’eau et de CO2 . La persistance estivale du CO2 au sommet de la
calotte sud isole partiellement le glacier d’eau sous-jacent de l’atmosphère qui, par conséquent, est plus
sèche en été qu’au Nord.
Un autre mécanisme d’interaction entre les cycles de l’eau et du CO2 consiste en une recondensation
sur un piège froid. Ce mécanisme, proposé théoriquement par plusieurs équipes (119; 252), consiste en
une sublimation de la couronne de glace d’eau, suivie d’une recondensation à plus haute latitude, sur
la glace de CO2 qui constitue un piège froid. Ce processus est suggéré par les données TES (297) et
OMEGA (263) pour la calotte saisonnière nord. La modélisation du cycle de l’eau par GCM, proposée
par Montmessin et al., incorporant les nuages, montre que ce processus, qui implique des ondes baro-
clines, pourrait bien avoir lieu sur Mars (217). De plus, cette étude montre que le bilan global annuel
d’eau sur la calotte est quasiment équilibré. Le piège froid permet de conserver dans la région polaire la
quasi globalité de la masse d’eau sublimée durant l’été.
En ce qui concerne la calotte saisonnière sud, le dépôt printanier de glace d’eau prédit par le GCM,
incluant le cycle de l’eau de Montmessin et al., se fait préférentiellement à l’est du bassin d’Hellas,
au niveau de la région cryptique, à cause de l’injection de masses d’air relativement humides (84). Les
observations OMEGA confirment bien la présence de glace d’eau à la surface dans cette région (172).
Cependant, le modèle GCM prédit une accumulation tardive (après Ls=240°) qui est en contradiction
avec les observations OMEGA. Aussi, le fonctionnement d’un piège froid est moins évident au Sud,
probablement car l’abondance en eau y est moindre.
Un dernier exemple de processus d’interaction pourrait être un effet de couverture du permafrost
martien et des minéraux hydratés (par adsorption notamment) de surface par le CO2 . L’adsorption de
l’eau en surface pourrait être un mécanisme majeur du cycle de l’eau (30). Si tel est le cas, le recouvre-
ment du sol par une calotte saisonnière de CO2 limiterait les échanges entre le réservoir atmosphérique
et la surface.
D’autres interactions sont possibles (par exemple d’ordre microphysique lors de la condensation dans
l’atmosphère ou au sol) et des avancées sont attendues à la fois d’ordre observationel, expérimental et
théorique .

[Link] Implications géologiques

Actuellement, il existe d’autres types de terrains riches en glace d’eau à part les calottes permanentes.
Les cycles de glace d’eau et de CO2 intéragissent fortement, il est tout à fait raisonnable de penser que
le cycle saisonnier martien ait eu un rôle non négligeable dans l’origine ou l’évolution de ces terrains
glacés, au cours des temps géologiques. Trois unités majeures pourraient être impliquées : les dépôts
stratifiés polaires, le permafrost et les glaciers.

Dépôts stratifiés polaires Les dépôts stratifiés polaires (“Polar Layered Deposits” ou PLD en anglais)
ont été observés pour la première fois par Mariner 7 (268). Les observations de Mariner 9 (224) ont

146
 7.4. CONCLUSION

permis d’identifier des alternances de bancs sombres et clairs, c’est à dire des stratifications visibles
sur certaines falaises. Dès cette première observation, les PLD on été interprétés comme une archive
géologique du climat passé, enregistrant notamment les changements climatiques liés à la variation des
paramètres orbitaux sous forme de variation du contenu en poussière des couches de glace. Cette hypo-
thèse est corroborée par un haut niveau de corrélation entre la signature d’albédo en fonction de l’altitude
et l’insolation polaire en été en fonction du temps (178).
L’arrivée de l’imagerie à très haute résolution (∼30 cm) (76) et des radars sur Mars (243) va certai-
nement bouleverser les idées à propos des terrains stratifiés polaires.

[Link].1 Permafrost Le permafrost ou “mantle terrain” a été détecté grâce aux détecteurs à neutron
et gamma (74; 32; 215) aux latitudes plus hautes que 60° dans les deux hémisphères. Ces zones sont no-
tamment sujettes à des figures géomorphologiques particulières : les terrains polygonaux qui signent une
forte abondance d’eau dans le sous-sol (206; 205). Trois théories s’affrontent actuellement sur l’origine
de ce permafrost de haute latitude :
(i) La formation du permafrost se fait par diffusion d’eau vapeur depuis la surface vers les profon-
deurs, même à l’heure actuelle (5).
(ii) Le permafrost est constitué lors d’une période à faible obliquité. Lorsque toute la glace est pré-
sente près des pôles et l’obliquité est faible, les dépôts de glace s’accumulent préférentiellement dans les
deux hémisphères à latitude plus haute que 60° (188).
(iii) La dernière alternative consiste en une formation aux conditions orbitales actuelles mais avec
une abondance d’eau plus importante dans l’atmosphère (135). Cette situation est possible notamment
si la couche permanente de glace de CO2 au Sud est absente (voir section [Link]). Ce modèle prédit
qu’actuellement cette couche serait instable.

Glaciers “tropicaux” Un faisceau d’indices géomorphologiques laisse présager que de la glace a été
présente, voire est encore présente actuellement à moyenne et haute latitude sous forme de glaciers (112).
La formation de ces glaciers est probablement due à un dépôt de glace à haute obliquité (i.e. 45° ce qui
est possible pour Mars car la planète n’a pas de Lune massive qui la stabilise, contrairement à la Terre).
Le lien, entre une forte obliquité et la formation des glaciers tropicaux, est conforté par une étude de
Forget et al. qui montre que le dépôt de glace d’eau, dans cette situation, est localisé dans deux régions :
à l’est des volcans de Tharsis et au Nord du bassin d’Hellas (80). Ces deux régions comportent justement
des traces de glaciers.
Des études préliminaires de la même équipe montrent que les années martiennes relativement char-
gées en poussière, permettent à la neige de s’accumuler préférentiellement aux latitudes moyennes nord,
régions pour lesquelles d’autres traces de glaciers ont été suggérées (198).

7.4 Conclusion
La compréhension du phénomène climatique saisonnier martien a permis de le modéliser par un
processus de condensation/sublimation quatre observables majeures : la progression et la récession de
la surface couverte de dépôts saisonniers, le signal saisonnier de pression au sol mesuré par Viking,
l’occurrence de la précipitation de particules fines de glace CO2 (point froid) et la quantité de masse
impliquée dans le cycle saisonnier. Aussi, quelques incomplétudes et limitations sont toujours présentes
dans notre appréhension du cycle saisonnier martien.
En résumé, les incomplétudes/limitations majeures actuelles des modèles du cycle saisonnier sont
(notons IL1 à IL4) :

1. Hormis pour les points froids, les GCM appliquent l’hypothèse d’un albédo et d’une émissivité uni-
formes sur toute la calotte saisonnière et constants dans le temps, contrairement à ce qu’indiquent
les observations, au moins pour la région cryptique au Sud (voir chapitre [Link]).

147
CHAPITRE 7. LE CYCLE SAISONNIER MARTIEN

2. Les modèles ne rendent pas compte du détail de la couverture spatiale des dépôts saisonniers,
notamment de l’asymétrie de la récession de la calotte saisonnière sud (voir chapitre [Link]).
3. Les observations montrent qu’il existe une calotte permanente de CO2 au Sud alors que les GCM
n’expliquent pas ce fait (voir chapitre 7.3.2).
4. Les observations montrent que la calotte saisonnière sud est très appauvrie en glace d’eau par rap-
port au Nord. Notamment après Ls=240°, la glace d’eau est absente (172). Or, les GCM prédisent
une stabilité de la glace plus longue dans la région polaire sud (voir chapitre 7.3.3).
Les GCM sont toujours perfectibles afin de reproduire les phénomènes physiques de façon plus précise
et complète. La résolution spatiale est clairement contrainte par la puissance des machines. Comme les
ordinateurs sont de plus en plus rapides, il est toujours possible de diminuer le pas d’échantillonnage
spatial pour reproduire la réalité plus finement.
En résumé, les améliorations possibles de la description et de la modélisation du cycle saisonnier
sont (notons A1 à A4) :
1. Meilleure description des effets de pentes locales. Le but de cette première amélioration est d’es-
timer le bilan de masse de dépôt saisonnier à haute résolution spatiale (voir chapitre [Link] et
[Link]).
2. Plus grande résolution spatiale des GCM, meilleure description des effets dynamiques aux échelles
subgrilles (189). Ce point permettra de connaître les vents à l’échelle locale pour une prédiction
des effets d’érosion mécanique, de précipitation (voir section [Link]) et de redistribution (voir
section [Link]) de la neige (et de la poussière) par les vents .
3. Meilleure description microphysique des interactions dans l’atmosphère entre eau, poussière et
CO2 (189). Cette étape est nécessaire afin d’améliorer la compréhension de la condensation dans
l’atmosphère, de prédire les modes et les lieux de condensation préférentiels avec plus de précision
(voir section 7.3.3).
4. Meilleure description microphysique des processus au sol. Plusieurs phénomènes physiques
entrent en jeux dans cette amélioration :
(a) au niveau de la calotte saisonnière : recondensation, métamorphisme, nettoyage et geysers.
Ce point est nécessaire pour comprendre les processus de condensation/sublimation à petite
échelle (voir chapitre [Link]).
(b) au niveau de la zone déglacée : adsorption d’eau avec les minéraux, diffusion dans le sol. Ce
point est nécessaire pour établir le lien entre les réservoirs d’eau majeurs (dépôts stratifiés
polaires, permafrost et glaciers) et les dépôts saisonniers (voir chapitre 7.3.3).
Le travail de ma thèse, développé au chapitre suivant, est concentré sur la phase de récession de la calotte
saisonnière sud, observée par OMEGA. Je montre que la résolution des IL1 et IL2 ci-dessus sont liées.
L’asymétrie de la récession de la calotte sud est entièrement due à un effet d’albédo en cohérence avec
les observations. Ces deux incomplétudes ne remettent donc pas en question le paradigme de condensa-
tion/sublimation.
Je m’attaque aussi au point IL2 associé au point A1 d’amélioration du modèle : l’estimation du bilan
de masse à haute résolution spatiale, en utilisant notamment une description fine des effets de pentes,
afin d’étudier la zone couverte de dépôts saisonniers à haute résolution spatiale. Utilisant ce modèle
amélioré et les observations OMEGA, je montre que les effets de pentes et d’altitude à haute résolution
sont négligeables devant l’effet d’albédo. Ainsi, la modélisation à plus grande résolution spatiale doit
préférentiellement s’attaquer aux points A2, A3 et A4 (a), pour rendre compte plus précisément de la
couverture spatiale de la calotte saisonnière .
Ces points peuvent être améliorés en utilisant des informations issues de l’instrument OMEGA, no-
tamment d’ordre spectroscopique. Des analyses fines du mélange des corps à la surface (représentation de
surface), de leurs paramètres physiques (rugosité, taille de grains, abondance, épaisseur) permettront de
contraindre la microphysique de la calotte saisonnière. Ces analyses pourront être effectuées notamment
grâce aux méthodes développées au cours de cette thèse et exposées en première partie de ce manuscrit.

148
Chapitre 8
Calotte saisonnière à haute résolution spatiale

Récession de la calotte saisonnière sud observée depuis la Terre entre 1905 et 1965. Chaque cercle
est une ligne crocus à une date notée en °Ls (d’après (75) repris dans (302)). Les longitudes sont notées
en degrés croissants vers l’Ouest.

149
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

Ce chapitre traite de la phase de récession des calottes saisonnières martiennes, un phénomène do-
miné par le bilan d’énergie radiative à la surface (voir section 7.2.1 page 129). Plus particulièrement, mon
travail s’est concentré sur la glace de CO2 formant la calotte saisonnière sud. Cet hémisphère sud est re-
lativement pauvre en eau (voir section 7.3.3 page 145), ce qui permet de se concentrer sur les processus
impliquant uniquement la glace de CO2 .
Cette étude propose de déterminer l’importance relative des principaux paramètres qui contrôlent le
bilan de masse en mettant en correspondance un modèle et des observations. Deux échelles spatiales sont
considérées : l’échelle régionale (la calotte dans son ensemble) et l’échelle locale (portions de surface
de 10° de large en longitude et 0,3° en latitude). Les résultats exposés dans ce chapitre font l’objet d’un
article disponible en annexe 15 page 223.
La première section présente la récession à l’échelle régionale, c’est à dire son asymétrie (voir section
8.1). La section suivante se concentre sur la récession à l’échelle locale (voir section 8.2).

8.1 Asymétrie de la récession de la calotte saisonnière sud à l’échelle ré-

gionale
La récession de la calotte saisonnière n’est pas symétrique autour du pôle géographique sud (voir
section 7.3.1 page 138). Cette asymétrie peut être créée soit en phase d’accumulation à l’automne et en
hiver, soit en phase d’ablation au printemps et en été. Nous allons montrer que la solution de l’asymétrie
en phase de récession est la plus probable.

8.1.1 Observations OMEGA

Nous avons sélectionné toutes les observations de l’instrument OMEGA à bord de Mars Express
(ESA) couvrant la récession sud. Différents critères de sélection des images OMEGA ont été utilisés :
– Détection de signatures de glace au sol, en utilisant la méthode Wavanglet (voir chapitre 4 page 77).
– Exception du mode d’observation UNK (Unknown).
– Observation entre Ls=110° et 320° (longitude subsolaire) dans l’hémisphère sud.
La combinaison de tous ces critères permet de sélectionner 605 observations entre le début de l’année
2005 et le milieu de l’année 2006.
Les figures 8.1 à 8.4 montrent les angles de détection générés par la méthode Wavanglet (voir cha-
pitre 4 page 77). Les observations sont regroupées par tranche de °Ls, sous forme de mosaïques colorées,
de telle manière à réaliser un compromis entre couverture spatiale et résolution temporelle.
L’analyse de ces mosaïques montre que la glace d’eau est présente sur de larges portions de la ca-
lotte saisonnière sud jusqu’à Ls=220°. Entre cette date et Ls=248°, il ne reste que quelques endroits où
persistent la glace d’eau, très probablement au sol. A partir de Ls=248° et jusqu’à la fin de la récession,
aucune trace de glace d’eau est détectée. Les premières analyses de cette récession montrent que la ma-
jeure partie de la glace d’eau détectée avant Ls=220° résulte très probablement de nuages atmosphériques
(172) (voir section 7.3.3 page 145).
La plus grande partie de la récession de la calotte saisonnière sud ne fait donc intervenir que la glace
de CO2 dont nous allons étudier le bilan de masse.
Considérons séparément le secteur cryptique, entre les longitudes 60°E et 260°E, et le secteur anti-
cryptique complémentaire, entre les longitudes 100°W et 60°E. Une discussion plus approfondie sur la
région cryptique et les phénomènes associés est proposée à la section [Link] page 139.
Afin de quantifier l’asymétrie de la récession, il est possible de déterminer l’évolution de la ligne cro-
cus typique pour ces deux secteurs (voir [Link] page 133). La figure 8.5 permet d’évaluer la date crocus
(date de passage de la ligne crocus) pour quatre latitudes représentatives (55°S, 65°S, 75°S et 85°S), pour
chacun des deux secteurs de référence. Les dates commencent à diverger à partir de Ls=220° lorsque la
ligne crocus atteint environ 65°S : l’asymétrie de récession de la calotte saisonnière est confirmée par
OMEGA.

150
 8.1. ASYMÉTRIE DE LA RÉCESSION DE LA CALOTTE SAISONNIÈRE SUD À L’ÉCHELLE
RÉGIONALE

F IG . 8.1 – Carte en projection stéréographique sud de la récession de la calotte saisonnière sud entre
Ls=110° et Ls=170°, observée par OMEGA et analysée avec la méthode Wavanglet (voir chapitre 4
page 77). Les canaux RVB correspondent respectivement aux angles de glace d’eau, de glace de CO2
et de poussière. La couleur rouge/rose résultante correspond à la glace de CO2 , la couleur bleue/verte
correspond à la glace d’eau et la couleur jaune correspond à la poussière. Le fond en noir et blanc est
la topographie MOLA, représentée seule sur l’avant dernière planche. La dernière planche représente la
grille en latitude et longitude avec un pas de 20°.

151
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

F IG . 8.2 – Carte en projection stéréographique sud de la récession de la calotte saisonnière sud entre
Ls=180° et Ls=256°, observée par OMEGA et analysée avec la méthode Wavanglet (voir chapitre 4
page 77). Idem figure 8.1 mais avec un zoom sur la portion d’intérêt (voir échelle sur la figure 8.4).

152
 8.1. ASYMÉTRIE DE LA RÉCESSION DE LA CALOTTE SAISONNIÈRE SUD À L’ÉCHELLE
RÉGIONALE

F IG . 8.3 – Carte en projection stéréographique sud de la récession de la calotte saisonnière sud entre
Ls=256° et Ls=280°, observée par OMEGA et analysée avec la méthode Wavanglet (voir chapitre 4
page 77). Idem figure 8.1 mais avec un zoom sur la portion d’intérêt (voir échelle sur la figure 8.4).

153
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

F IG . 8.4 – Carte en projection stéréographique sud de la récession de la calotte saisonnière sud entre
Ls=280° et Ls=330°, observée par OMEGA et analysée avec la méthode Wavanglet (voir chapitre 4
page 77). Idem figure 8.1 mais avec un zoom sur la portion d’intérêt. Le fond en noir et blanc est la
topographie MOLA, représentée seule sur l’avant dernière planche. La dernière planche représente la
grille en latitude et longitude avec un pas de 20°.

154
 8.1. ASYMÉTRIE DE LA RÉCESSION DE LA CALOTTE SAISONNIÈRE SUD À L’ÉCHELLE
RÉGIONALE

F IG . 8.5 – Caractérisation de l’asymétrie de la récession des dépôts de CO2 au Sud. Détermination de

l’évolution de la ligne crocus au cours du temps pour le secteur cryptique et le secteur anticryptique. Les
lignes crocus interne et externe sont définies à la section 8.2.1 page 163. Les points de la lignes crocus
interne du secteur cryptique, anormalement proche du pôle sud, entre Ls=180° et Ls=230°, sont dus à
des absences de détection de glace de CO2 . Il s’agit très probablement d’une couverture de la glace de
CO2 par une couche optiquement épaisse de régolithe (voir section [Link] page 139). Ces points peuvent
être ignorés.

155
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

8.1.2 Asymétrie d’accumulation et/ou de sublimation à l’échelle régionale ?

L’asymétrie de la ligne crocus est accompagnée d’une asymétrie en albédo, due notamment aux
particularités du secteur cryptique (voir section [Link] page 139). Son albédo plus faible entraîne une
plus forte absorption d’énergie à la surface et donc une sublimation plus importante (voir section [Link]
page 131). La récession est donc plus rapide dans le secteur cryptique plus absorbant.
Il n’existe pas d’évidence d’une asymétrie en phase de progression (voir article en annexe 15
page 223), nous supposons par conséquent, une accumulation symétrique. La masse des dépôts sai-
sonniers, en fonction de la latitude et du temps, a été déterminée à l’aide de mesures de flux de neutron
par les instruments HEND (191) et GRS (146) (voir section [Link] page 137). Nous supposons alors
que la masse totale de CO2 accumulée est simplement la masse maximale de CO2 mesurée par HEND et
GRS.
Nous allons montrer que l’asymétrie d’albédo, en phase de récession, explique quantitativement la
différence de comportement de récession entre les secteurs cryptique et anticryptique.

8.1.3 Modèle de sublimation

Nous avons utilisé un modèle de sublimation, adapté de Aharonson et al. (5) qui permet d’évaluer la
masse de CO2 sublimée sur une facette par le bilan d’énergie au sol (voir section [Link] page 131). Une
facette est un élément de surface du modèle. Plus de détails sur cette modélisation sont disponibles dans
l’article (voir annexe 15 page 223).
La formulation de ce bilan pour une facette est :

∂ MCO2 out in in in 1
= (Ftherm −Wsun −Wscat −WIR −W finloor − Fcond
in
) (8.1)
∂t LCO2
Avec les quantités notées W qui sont des moyennes intégrées sur la journée.

Z2π
1
W= QdL (8.2)
2π
0

Tous les paramètres utilisés dans cette modélisation sont exposés à la section [Link] page ci-contre.
Les quantités directionnelles (albédo, facteur d’absorption et émissivité) sont supposées constantes pour
toutes les géométries (voir section 1.3.1 page 22). Cette hypothèse s’écrit de la façon suivante dans le
visible :
Adh,vis (θi , Φi ) = Avis = const (8.3)
et dans l’infrarouge :
Adh,IR (θi , Φi ) = AIR = 1 − ε = const (8.4)

Détaillons maintenant chacun des termes du bilan :

– Le premier terme correspond à la perte par émission thermique :
out 4
Ftherm = εσ Tsur f (8.5)

La température de surface Tsur f est déterminée en supposant que la glace de CO2 est en équilibre ther-
modynamique avec le gaz de CO2 atmosphérique à la pression Psur f = Ps (Tsur f ), pression de vapeur
saturante. Nous avons utilisé la pression de surface estimée par un GCM qui fournit le champ de pres-
sion au sol en fonction de l’espace et du temps (exprimé en longitude solaire : °Ls) (82). Ce GCM tient
compte à la fois de l’altitude et du cycle annuel de pression (voir section [Link] page 135)
Nous utilisons une courbe de pression de saturation du CO2 exprimée sous forme empirique paramétrée
Ps (T ), proposée par Brown et Ziegler (33), afin de convertir Psur f en température Tsur f .
– Le second terme correspond au gain par insolation directe :

156
 8.1. ASYMÉTRIE DE LA RÉCESSION DE LA CALOTTE SAISONNIÈRE SUD À L’ÉCHELLE
RÉGIONALE

Ssun −−→ −→
Qin
sun = 2
(1 − Avis )(1 − f )1/ max((rsur f •rsun ),0.04) (−
n−→ −→
sur f • rsun ) (8.6)
rsun
L’effet d’atténuation atmosphérique est paramétré en fonction d’un unique paramètre f. Cette paramétri-
sation a été utilisée dans différents travaux de modélisations (151; 5).
– Le troisième terme correspond au gain par réception du flux indirect des photons diffusés dans
l’atmosphère :
Ssun 1 γ
Qscat = 2 (1 − Avis ) fscat cos2 ( ) (8.7)
rsun 2 2
Nous considérons que le flux indirect est une fraction fscat du flux solaire direct pris au sommet de
l’atmosphère. Cette paramétrisation a été utilisée dans plusieurs travaux de modélisations (151; 5).
– Le quatrième terme correspond au gain par réception du flux infrarouge provenant de l’atmo-
sphère :
Ssun
QIR = 2 (1 − AIR ) fIR cos2 ( ) (−
γ −→ −→
rsur f • rsun )noon (8.8)
rsun 2
Nous supposons que ce flux est une fraction fIR du flux solaire directe pris au sommet de l’atmosphère,
à midi local. Le terme QIR est supposé comme constant pour la journée (phases diurne et nocturne).
Cette paramétrisation a été proposée dans la modélisation de Kieffer et al. (151), avec fIR = 0, 02. Cette
fraction a été discutée par Haberle et al. (102) qui proposent plutôt une valeur de fIR = 0, 04. Cette valeur
corrigée a été incorporée dans les modélisations de Aharonson et al. (5).
– Le cinquième terme correspond au flux infrarouge émis par les facettes environnantes et récep-
tionné par la facette courante :
γ
Q f loor = εσ T 4 (1 − AIR ) sin2 ( ) (8.9)
2
Cette paramétrisation a été utilisée pour d’autres modélisations dans la littérature (151; 5).
– Le sixième terme Fcondin correspond au flux géothermique conduit dans le sous-sol.

Nous le discutons plus en détails au cours de la section [Link] page suivante.

[Link] Paramètres
Les paramètres du modèle sont listés ci-après. Certains paramètres peuvent varier pour chaque fa-
cette. L’unité est notée entre crochet ; “1” signifie sans unité.
R = 3 386 200 [m] : rayon de la planète
(x, y) [m] : coordonnées sur la carte, dans le système cartographique choisi
(L,φ ) [radian] : longitude (croissante vers l’est de 0 à 2π), latitude (de − π2 à π2 )
γ [1] : pente locale
Qsun [W.m−2 ] : puissance instantanée absorbée par le sol provenant de l’insolation directe
Qscat [W.m−2 ] : puissance instantanée absorbée par le sol provenant du flux indirect des photons
diffusés par l’atmosphère
QIR [W.m−2 ] : puissance instantanée absorbée par le sol provenant du flux thermique de l’atmosphère
Q f loor [W.m−2 ] : puissance instantanée absorbée par le sol provenant des facettes voisines
− −→(L, φ ) : rayon vecteur d’un point de la surface
rsur f
− →(α, δ ) : rayon vecteur de la direction solaire
rsun
−
n− →
sur f (Ln , φn ) : rayon vecteur de la normale à la surface
Lmax
ΠLmin (L) : fonction porte
rsun [m] : distance entre Mars et le Soleil. Elle est estimée à J2000, en utilisant les mesures des
éphémérides par Pathfinder (9).
Ssun = 589 [W.m−2 ] : constante solaire à la distance moyenne de la planète Mars hrsun i
Avis [1] : albédo de la facette dans le domaine visible
AIR [1] : albédo de la facette dans le domaine infrarouge thermique. Cette quantité est reliée à l’émis-
sivité AIR = 1 − ε (305).
f = 0, 06 : fraction de la puissance solaire directe atténuée par l’atmosphère f ' fscat + fIR
fscat = 0, 02 [1] : fraction de la puissance solaire directe diffusée par l’atmosphère

157
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

fIR = 0, 04 [1] : fraction équivalente de puissance solaire directe absorbée à midi, et réémise de façon
constante durant la journée
ε [1] : émissivité thermique de la facette (voir AIR )
σ = 5, 67.10−8 [W.m−2 .K−4 ] : constante de Stefan Boltzmann
T [K] : température des facettes voisines. Nous supposons qu’elle est identique à celle de la facette
en question.
LCO2 = 590.103 [[Link]−1 ] : chaleur latente de sublimation du CO2
MCO2 [kg.m−2 ] : masse de CO2 sublimée par unité de surface
t [s] : temps

[Link] Conduction d’énergie dans le sous-sol

Nous allons montrer par des tests numériques que ce terme est négligeable dans la phase de récession
de la calotte saisonnière.
La chaleur d’origine solaire absorbée pendant la période estivale par le sol se propage par conduction
dans le sous sol. Chaque niveau de la subsurface qui absorbe cette chaleur se comporte aussi comme une
source. Nous avons utilisé le modèle 1D de condensation/sublimation en surface associée à la conduction
de chaleur, développé par Forget et al. (82), pour estimer la quantité d’énergie qui revient vers la surface
pendant l’automne et l’hiver.
Le modèle de condensation/sublimation de glace de CO2 est basé sur le bilan d’énergie radiative au sol
(voir section 7.2.1 page 129).
Le modèle de conduction de chaleur est basé sur une résolution numérique de l’équation de Fourier. Il
suppose la subsurface comme homogène, sous forme de onze couches horizontales superposées.
Les paramètres du sol nu sont les suivants : albédo Avis = 0, 29 et émissivité de ε = 0, 99 (4). Les
paramètres de la glace de CO2 sont identiques à ceux utilisés dans la modélisation ci-après. La puissance
conduite par la subsurface est estimée pour deux situations extrêmes d’inertie thermique : un régolithe
à 20 J.m−2 .s−1/2 .K−1 et 1000 J.m−2 .s−1/2 .K−1 . La valeur minimale correspond à un régolithe tandis
que la valeur maximale correspond à un sol rocheux ou un sol granulaire riche en glace d’eau (l’inertie
thermique de la glace d’eau est de 2000 J.m−2 .s−1/2 .K−1 ). Ce domaine de variation est suggéré par les
inerties thermiques apparentes estimées par TES (250).
Le gradient de température, entre les deux couches les plus superficielles, est converti en flux de
chaleur remontant puis en masse de CO2 sublimée. La figure 8.6 représente cette puissance provenant
du sous-sol (comptée négativement lorsqu’elle est un gain d’énergie en surface, impliquant une perte de
masse de CO2 ).
Cette puissance est négative, sauf lorsque le sol n’est pas recouvert de glace de CO2 . Dans cette situation,
une partie de l’énergie disponible en surface est conduite vers la profondeur. En été (vers Ls=200°), la
transition entre ces deux régimes, à la fin de la récession, est brutale car la puissance solaire directe est
forte.
L’intégration de cette puissance sur la période de récession (toujours négative) est effectuée entre la date
de maximum d’accumulation issue des observations HEND et GRS, et la date où le dépôt de CO2 s’est
entièrement sublimé. Les résultats sont représentés dans le tableau 8.1 pour le secteur cryptique et dans
le tableau 8.2 pour le secteur anticryptique. Les bornes temporelles de l’intégration sont aussi explicitées
dans ce tableau.
Au maximum, sur toute la période de récession, seulement 6% de la masse totale sublimée est due
à l’onde de chaleur ce qui correspond à un décalage temporel de la ligne crocus de moins de 2°Ls. En
comparaison, la ligne crocus est décalée de quelques 20°Ls à la latitude 85° entre les secteurs cryptique
et anticryptique.
Alors qu’elle a un effet significatif en phase de progression, l’onde de chaleur annuelle influence peu
la phase de récession, nous allons donc la négliger dans la suite de l’étude.

158
 8.1. ASYMÉTRIE DE LA RÉCESSION DE LA CALOTTE SAISONNIÈRE SUD À L’ÉCHELLE
RÉGIONALE

F IG . 8.6 – Conduction de chaleur dans le sous-sol en fonction du temps pour les latitudes 85°S et 55°S.
La puissance est exprimée en équivalent de masse de CO2 sublimée par jour et par m2 . Les traits pleins,
(respect. en pointillés) corrrespondent à des inerties thermiques de 1000 J.m−2 .s−1/2 .K−1 (respect. de 20
J.m−2 .s−1/2 .K−1 ).

8.1.4 Résultats
Afin de tester quantitativement si l’asymétrie de la récession est due à l’asymétrie d’albédo, nous
allons calculer les masses sublimées pour deux scénarii d’évolution temporelle d’albédo : les secteurs
cryptique et anticryptique.
Nous proposons une loi empirique qui permet de reproduire l’évolution de l’albédo des dépôts de
CO2 au cours du temps. Supposons que le champ d’albédo Avis soit uniquement fonction du temps
(exprimé en Ls) et du secteur cryptique/anticryptique Avis (L, φ , Ls) = Avis (L0 , Ls). La dépendance en
latitude est donc éliminée.
Cette loi est déduite des observations de réflectance de la glace de CO2 , mesurées par OMEGA dans
le continuum à 1,07 microns, moyennant deux hypothèses : (i) les surfaces sont lambertiennes ; (ii) le
continuum est représentatif de la valeur intégrée sur le spectre solaire. Cette deuxième hypothèse est
correcte car le spectre de la glace de CO2 est constitué de raies fines, d’absorption négligeable sur la
quantité intégrée. Dans ce cas, l’albédo peut s’écrire de la façon suivante :
Avis = R(1, 07µm) (8.10)
Les points de la figure 8.7 représentent les albédos moyennés en latitude issus d’OMEGA.
Cette loi est la suivante pour le secteur cryptique :
 
0.15
Avis (Ls) = min 0.35 + (Ls − 175), 0.5 (8.11)
60
Pour le secteur anticryptique :
 
0.22
Avis (Ls) = min 0.40 + (Ls − 180), 0.63 (8.12)
50
Les lignes en pointillés de la figure 8.7 représentent cette loi, pour les deux secteurs.
Notre loi empirique reproduit bien les albédos issus des observations pour chacun des deux secteurs.

159
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

Latitude 55°S 65°S 75°S 85°S

Masse 180±40 450±80 750±100 1050±100
(HEND+GRS)
[kg.m−2 ]
Temps de phase de 140/ - 160/ - 170/ - 180/ -
récession
(HEND+GRS)
[°Ls]
Masse de CO2 154 482 687 1193
sublimée estimée
par le modèle
[kg.m−2 ]
Bornes temporelles 135/170 165/220 185/245 195/270
d’intégration [°Ls]
Masse de CO2 0,5 0,5 0,6 0,6
sublimée due à
l’onde de chaleur
(I=20) [kg.m−2 ]
Bornes temporelles 140/185 160/235 170/260 180/280
d’intégration
(I=20) [°Ls]
Masse de CO2 12 24 29 21
sublimée due à
l’onde de chaleur
(I=1000) [kg.m−2 ]
Bornes temporelles 140/155 160/210 170/235 180/250
d’intégration
(I=1000) [°Ls]

TAB . 8.1 – Tableau récapitulatif du bilan de masse sublimée lors de la récession de la calotte saisonnière
sud dans le secteur cryptique. Les deux premières lignes correspondent aux mesures de HEND/GRS. Les
deux lignes suivantes sont les estimations des masses de CO2 sublimées en supposant la loi empirique
d’augmentation de l’albédo. Les quatre dernières lignes correspondent à la contribution de l’onde de
chaleur annuelle (section [Link]).

De plus, la variabilité des points de mesure autour de la loi empirique est relativement faible, validant
l’hypothèse du moyennage en latitude.
Nous calculons les masses de CO2 sublimées entre la date de maximum d’accumulation et le passage
de la ligne crocus, à l’aide de notre modèle. Le modèle utilisé est décrit à la section 8.1.3. Nous supposons
la surface parfaitement horizontale (pente nulle γ = 0). L’émissivité de ε = 0, 99 (et l’albédo infrarouge
AIR = 0, 01 en conséquence) est choisie par excès afin d’estimer la masse sublimée maximale. Les autres
paramètres utilisés sont décrits à la section [Link] page 157. Les calculs sont effectués pour quatre
facettes aux latitudes 55°S, 65°S, 75°S et 85°S et pour les deux secteurs (cryptique et anticryptique).
Les résultats sont compilés dans le tableau 8.1 pour le secteur cryptique et le tableau 8.2 pour le secteur
anticryptique.
Il existe un très bon accord entre les résultats de notre modèle alimenté par les données OMEGA,
et d’autre part les mesures de masse HEND/GRS. Une seule exception notable : à 85°S dans le secteur
cryptique. Cette différence ne semble pas significative mais elle pourrait néanmoins correspondre à un
éventuel effet de mauvaise estimation d’albédo, voire de la non prise en compte d’une accumulation
légèrement asymétrique.

160
 8.1. ASYMÉTRIE DE LA RÉCESSION DE LA CALOTTE SAISONNIÈRE SUD À L’ÉCHELLE
RÉGIONALE

(a) Région Cryptique

(b) Région anticryptique

F IG . 8.7 – Loi empirique d’évolution de l’albédo visible au cours du temps pour les secteurs cryptique
et anticryptique. La ligne pointillée correspond à la loi empirique (voir eq. 8.11 et 8.12). Les points de
couleurs correspondent aux albédos de CO2 mesurés par OMEGA dans le continuum à 1,07 microns,
et moyennés en latitude. Les albédos équivalents sont utilisés dans une argumentation disponible dans
l’article (voir annexe 15 page 223).

161
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

Latitude 55°S 65°S 75°S 85°S

Masse 180±40 450±80 750±100 1050±100
(HEND+GRS)
[kg.m−2 ]
Temps de phase de 140/ - 160/ - 170/ - 180/ -
récession
(HEND+GRS)
[°Ls]
Masse de CO2 159 449 743 947
sublimée telle que
calculée par le
modèle [kg.m−2 ]
Bornes temporelles 135/170 165/225 185/260 205/290
d’intégration [°Ls]
Masse de CO2 0,5 0,6 0,7 0,5
sublimée due à
l’onde de chaleur
(I=20) [kg.m−2 ]
Bornes temporelles 140/185 160/245 170/280 180/315
d’intégration
(I=20) [°Ls]
Masse de CO2 12 27 29 27
sublimée due à
l’onde de chaleur
(I=1000) [kg.m−2 ]
Bornes temporelles 140/155 160/215 170/245 180/265
d’intégration
(I=1000) [°Ls]

TAB . 8.2 – Tableau récapitulatif du bilan de masse sublimée lors de la récession de la calotte saisonnière
sud dans le secteur anticryptique. Les deux premières lignes correspondent aux mesures de HEND/GRS.
Les deux lignes suivantes sont les estimations des masses de CO2 sublimées en supposant la loi empirique
d’augmentation de l’albédo. Les quatre dernières lignes correspondent à la contribution de l’onde de
chaleur annuelle (voir section [Link]).

162
 8.2. RÉCESSION DE LA CALOTTE SAISONNIÈRE SUD À L’ÉCHELLE LOCALE

8.1.5 Conclusion
A l’échelle régionale, dans le cadre fixé par les contraintes observationnelles apportées par OMEGA
(passage de la ligne crocus et albédo à 1,07 microns) et par GRS/HEND (masse totale accumulée), il est
possible de reproduire le bilan de sublimation pour deux secteurs différents (cryptique et anticryptique)
et quatre latitudes. La seule hypothèse d’asymétrie effectuée est à propos de l’albédo :
L’albédo Avis est supposé dépendant du temps et des secteurs cryptique ou anticryptique Avis (L, φ , Ls) =
Avis (L0 , Ls). Une loi empirique d’augmentation d’albédo au cours du temps est utilisée, validée par les
observations OMEGA.
Un modèle alternatif, étudié dans l’article (voir en annexe 15 page 223), utilise un albédo Avis supposé dé-
pendant de la latitude et du secteur cryptique/anticryptique mais indépendant du temps : Avis (L, φ , Ls) =
Avis (L0 , φ ). Ce modèle alternatif est aussi correct mais il n’est pas retenu pour la suite car l’échantillon-
nage en latitude est très faible (quatre points seulement).
Un dernier modèle, celui d’un albédo homogène et invariable dans le temps Avis (L, φ , Ls) = Avis , ne
permet pas d’obtenir un résultat satisfaisant.
L’hypothèse d’estimation de l’albédo par la réflectance mesurée par OMEGA (voir équation 8.10)
semble valable au premier ordre puisqu’il existe une certaine cohérence interne du modèle et des ré-
sultats. L’effet de moyenne sur la latitude permet peut-être de s’affranchir des effets directionnels, en
moyennant indirectement sur l’angle d’incidence.
Les variations d’albédo des dépôts saisonniers à l’échelle globale sont très probablement dues au
mode de dépôts (voir section [Link] page 139). L’étude de Colaprete et al. montre que la précipitation de
neige, qui produit des glaces au sol à grain relativement faible et d’albédo fort, a lieu préférentiellement
dans le secteur anticryptique (51). A l’inverse, le secteur cryptique est moins sujet aux précipitations de
neige, la glace transparente de faible albédo peut s’y développer plus aisément par condensation directe.
De plus, la région cryptique est le siège du mécanisme de geysers ceux-ci enrichissant l’atmosphère en
poussière qui précipitent localement et abaissent l’albédo.

8.2 Récession de la calotte saisonnière sud à l’échelle locale

En 1895, grâce à ses observations télescopiques, W.W. Campbell (39) s’intéresse au bord de la calotte
saisonnière (voir perspectives historiques à la section 7.1 page 126).
“... the polar caps in waning do not preserve an exactly circular outline, and are not of
equal intensity in all parts. The edges of the caps are sometimes exceedingly irregular, owing
both to dark indentations and bright projections. Portions of the caps even become entirely
detached, and remain as isolated bright points for several weeks. Moreover, dark regions
and excessively bright regions within the caps are common facts of observation. It is certain
that the melting of the caps is affected by local conditions ; and it is very important to know
whether the local conditions at any point are such as to retard or accelerate the melting.”

8.2.1 Observations OMEGA de la bordure de la calotte saisonnière

Introduisons les observables caractérisant la zone recouverte de glace de CO2 . La ligne crocus, intro-
duite par Kieffer et al. (153) (voir section [Link] page 133), définit la position “moyenne” de la bordure
de la calotte. Cependant, la bordure observée par les données OMEGA, est plutôt décrite par une zone de
transition, mêlant des pixels avec détection de glace de CO2 et d’autres sans détection de glace (voir fig
8.2). Dès lors, une autre information paraît judicieuse : la taille caractéristique de la zone de transition.
Nous proposons de définir la ligne crocus interne, la ligne crocus externe et la distance snowdrop
(“snowdrop” en anglais signifie perce-neige). Les lignes crocus interne et externe définissent la zone de
transition à une certaine échelle de mesure. La distance snowdrop est simplement la distance entre ces
deux lignes, le long d’un méridien (voir figure 8.8).
De façon plus précise, définissons ces objets pour les données OMEGA. Pour ce faire, découpons
l’espace en une grille avec un pas de 0,3° en latitude et 10° en longitude. Un profil méridien est un profil

163
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

F IG . 8.8 – Description de la zone de transition par la distance snowdrop, définie entre la ligne crocus
interne et la ligne crocus externe. Ces observables sont définies sur un profil méridien de la fraction de
surface couverte de glace de CO2 .

le long d’un méridien, c’est à dire une succession d’éléments de la grille à longitude constante. Pour
chaque image OMEGA et pour chaque profil, nous posons les critères de définition suivants :
– ligne crocus externe : l’élément de la grille contenant une proportion de surface couverte de CO2
supérieure à 1%, la plus proche de l’équateur. Il s’agit ici d’un mélange géographique résolu (voir
section [Link] page 31).
– ligne crocus interne : l’élément de la grille contenant une proportion de surface couverte de CO2
inférieure à 99%, la plus proche du pôle. Il s’agit toujours d’un mélange géographique résolu.
– pour les lignes crocus interne et externe : l’élément de la grille est valide uniquement s’il ne
contient pas de bord d’image ou de zone corrompue, mais également si son plus proche voisin ne
contient pas de bord d’image ou de zone corrompue. Ces exceptions permettent de prévenir les
biais de détections.
Le phénomène de récession intervient à la fois dans l’espace et dans le temps. Il est donc possible de
définir des dates crocus interne et externe ainsi qu’un temps snowdrop pour un point précis à la surface.
Ces quantités correspondent aux dates de passages des lignes crocus interne et externe en ce point.
Les observations OMEGA, analysées par la méthode Wavanglet, montrent que le temps snowdrop
varie de 1 à 40°Ls, en fonction de la longitude et de la latitude atteinte par la bordure de la calotte.
Ces variations peuvent être dues à des effets locaux, soit en phase d’accumulation, soit en phase de
sublimation.

8.2.2 Variabilité d’accumulation et/ou de sublimation à l’échelle locale ?

Plusieurs effets à l’échelle locale peuvent être évoqués à propos du bilan de masse de la glace de
CO2 : l’accumulation, l’onde de chaleur annuelle, l’altitude, les effets des pentes et d’ombres portées,
l’albédo et l’émissivité dans l’infra-rouge, l’albédo visible.
Actuellement, l’accumulation n’est pas mesurable à haute résolution spatiale. Les simulations à l’aide
de modèles GCM, ne permettent pas non plus d’accéder à l’accumulation aux échelles en question. Ce
paramètre ne peut donc pas être testé dans le cadre de cette thèse.
Une étude de sensibilité permet de montrer quantitativement que les effets d’onde de chaleur an-
nuelle, d’altitude, d’émissivité et d’albédo infrarouge n’expliquent pas les variations du temps snowdrop
jusqu à 40°Ls (voir article disponible en annexe 15 page 223). Deux effets majeurs restent candidats
potentiels : l’effet de la rugosité (pente et ombre portée) et l’effet d’albédo local.
L’importance relative de ces deux effets est difficile à établir quantitativement. La rugosité de surface
intervient jusqu’aux échelles du libre parcours moyen optique mais aucune observation n’est disponible
à une échelle inférieure à 100 m (résolution MOLA aux pôles). D’autre part, l’albédo hémisphérique de-

164
 8.2. RÉCESSION DE LA CALOTTE SAISONNIÈRE SUD À L’ÉCHELLE LOCALE

vrait être mesuré, pour tous les points de la surface et à tout instant. Deux impossibilités observationnelles
qui nous imposent une étude statistique.
Les études statistiques sont effectuées sur un ensemble de facettes définies à partir d’un échan-
tillonnage topographique MOLA à une résolution de 920 m (compatible avec la résolution d’OMEGA).
Chaque facette est un élément de surface pour lequel il est possible de calculer la masse de CO2 .
Chaque élément de la grille de 0,3° de latitude et 10° de longitude tel que défini pour la distance snow-
drop, contient une population de facettes sur laquelle nous pouvons calculer des statistiques (voir sec-
tion 8.2.1 page 163). Par exemple, la moyenne et la variance de la distribution des masses de CO2
sublimées est estimée pour chaque élément de la grille.
Nous proposons d’évaluer l’importance relative de l’albédo (ou facteur d’absorption) et de la rugosité
dans le processus de sublimation en déterminant la corrélation entre la largeur de leur distribution et le
temps snowdrop. Il s’agit donc de tester la corrélation, dans l’espace et dans le temps, entre :
– le temps snowdrop observé par OMEGA. Ce paramètre est directement relié à la distribution de
masse de CO2 sublimée.
– la largeur de la distribution de masse de CO2 sublimée, issue du modèle tenant compte de l’ef-
fet des pentes et des ombres (voir section suivante pour la modélisation) et des lois empiriques
d’albédo pour les secteurs cryptique et anticryptique (voir section 8.1.3 page 156).
– la largeur de la distribution du facteur d’absorption 1 − Avis du CO2 , observée par OMEGA. Cet
indicateur n’est pas directement comparable avec une masse de CO2 sublimée. Néanmoins, le fac-
teur d’absorption est un facteur multiplicatif du terme d’insolation directe (voir équation 8.14). Ce
terme est dominant dans le bilan radiatif en phase de sublimation (voir section [Link] page 131).
La largeur de la distribution du facteur d’absorption est donc reliée à la largeur de la distribution
de masse de CO2 sublimée.
Les résultats d’un telle étude sont présentés à la section 8.2.4.

8.2.3 Modèle de sublimation à l’échelle locale

L’effet de la pente γ est déjà décrit dans le modèle présenté à la section 8.1.3 page 156.
L’effet des ombres portées est plus complexe. Introduisons d’abord les différentes descriptions de la
topographie, et décrivons ensuite sa modélisation. Puis, détaillons les implications sur le bilan d’énergie
radiative.

[Link] Hypsométrie
L’hypsométrie est l’étude des altitudes d’une planète dans le but de comprendre les mécanismes qui
façonnent les surfaces planétaires. En Planétologie comparée, il s’agit de mettre à jour les différences
entre les planètes (269). Sur Terre, l’hypsométrie permet de révéler l’impact de certains processus, par
exemple la présence de vie sur la surface (58).
La topographie de la planète Mars est connue avec une précision verticale de 1m, depuis 1999, grâce
à l’instrument MOLA à bord de MGS (278). On appelle “rugosité de surface”, les variations d’altitude à
une échelle fine.
Shepard et al. proposent une compilation de tous les indicateurs de rugosité qui peuvent être déter-
minés à partir de mesure de télédétection (273). Le plus souvent, ils découlent des pentes, c’est à dire de
la dérivée de la topographie à une échelle spatiale donnée.
Par exemple, la rugosité peut être décrite comme une déviation à la moyenne des pentes, c’est à dire
comme une variance (162; 7). Il existe une forte corrélation empirique entre cet indicateur et les es-
timations radar (6). Cependant, cet indicateur est pollué par la pente régionale à plus grande échelle.
L’utilisation de l’indicateur de valeur médiane est plus robuste (163; 7), ou encore les interquartiles (7).
Un autre indicateur peut être utilisé, la longueur de décorrélation qui est la largeur à mi-hauteur de la
fonction d’autocorrélation de l’altitude pour une base spatiale donnée (7). Ou encore avec des fractales
qui présentent l’avantage d’exprimer plusieurs échelles en même temps (voir l’annexe 12.6).
La modélisation de la rugosité peut se faire avec trois types de modèles (272) :

165
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

– déterministe : altitude mesurée.

– déterministe avec une distribution aléatoire des structures d’intérêt : par exemple des cratères de
même forme, avec une distribution aléatoire de position et de taille.
– statistique : distributions d’altitude ou de pente, avec/sans autocorrélation.
La solution déterministe est très difficile à prendre en compte dans notre modèle de sublimation du CO2
car elle est nécessairement associée à des algorithmes de types tracés de rayon qui sont très lents. Les
modèles statistiques sont prometteurs mais se posent la question de leur validité, notamment pour les
distributions fractales .

La surface d’une planète est fractale La surface d’une planète peut-être considérée comme ayant
des propriétés statistiques proches d’une distribution fractale (260), voire multifractale (91). Il s’agit tout
particulièrement d’une loi puissance à seuils. Cette loi est caractérisée par l’exposant de la décroissance,
l’ordonnée à l’origine et les seuils hauts et bas correspondant aux échelles limites de l’étude (finitude de
l’expérience, de la Nature).
L’estimation de ces paramètres n’est pas triviale. Il faut utiliser des estimateurs robustes non-biaisés
(14). De plus, l’observation d’une loi puissance dans un phénomène naturel, ne montre pas forcément
que la distribution est fractale (120).
De nombreuses études sur les lois d’échelles en géomorphologie ont été menées (60). L’utilisation
des fractales et des lois d’échelles statistiques en topographie se font pour des processus particuliers tou-
chant soit à un ensemble d’échelles réduites (érosion) soit à l’ensemble des échelles disponibles.
La première approche, touchant un ensemble d’échelles réduites, est déterministe et permet de suivre
l’évolution d’une surface subissant des phénomènes particuliers. En revanche, il est quasiment impos-
sible de rendre compte de la diversité d’une surface planétaire car les contextes sont multiples et tous
complexes !
La seconde approche couvre une quantité incroyable de phénomènes. L’idée étant de réduire la com-
plexité de la surface a un objet mathématique le plus simple possible. Dans le cas simple monofractal
isotrope, il suffit d’un paramètre ! On passe à trois dans le cadre des multifractales universelles propo-
sées par Schertzer et Lovejoy. Dans ce cadre, plusieurs modélisations sont possibles : multifractales et
monofractales.
Gagnon et al. montrent que la distribution multifractale est un objet défini par seulement trois paramètres
libres qui a une grande validité statistique (91). Ces auteurs mesurent par un indice de validité, que la
reconstruction d’une topographie naturelle sur 6 ordres de grandeur est de ±45% alors qu’une analyse
monofractale simple a une validité de ±355%. Cette approche montre que l’utilisation des multifractales
anisotropes permet d’avoir un objet mathématique simple modélisant correctement la topographie, bien
plus efficacement que l’approche monofractale usuelle.
De nombreuses études de la topographie terrestre supposent la monofractalité (123; 124; 57; 202).
Concernant les surfaces planétaires, plusieurs travaux ont été effectués.
Des simulations numériques ont vu le jour, par exemple pour traiter le problème de l’ombrage des sur-
faces (272).
Également, des surfaces analogues matérielles ont été construites dans le cadre d’expériences en labora-
toire (256).
Turcotte et al. ont réalisé une analyse qui utilise la transformée en ondelette de la topographie la calotte
nord de Mars (199; 200).
D’autres analyses concernant la variance du périodogramme ont été menées (7) ou encore la loi puis-
sance de la variance de la pente (93), ou encore sur la valeur médiane à une échelle donnée (5).
Sur Mars toujours, il manque des données à petite échelle. Des extrapolations des lois puissances ont été
proposées (232) mais le biais et les processus ne permettent pas de faire ce pas (37). Cependant, certaines
études utilisent cette approximation (5), car il est difficile d’avoir des données supplémentaires.

166
 8.2. RÉCESSION DE LA CALOTTE SAISONNIÈRE SUD À L’ÉCHELLE LOCALE

[Link] Fonction d’ombre

La théorie du transfert radiatif classique qui est utilisée pour le calcul de la réflectance bidirection-
nelle des surfaces planétaires, ne prend pas en compte la rugosité. La fonction d’ombre est la fonction
mathématique qui permet de corriger la réflectance “plate” pour tenir compte de la rugosité. Cette fonc-
tion détermine notamment la fraction de surface qui est ombragée, c’est à dire privée d’insolation directe,
à cause de la topographie, surtout à petite échelle.

Description de Hapke La modélisation de Hapke propose pour tenir compte de l’effet de rugosité par
l’ajout d’un “angle de rugosité”. Cet angle modifie la réflectance de la surface de telle manière à la rendre
équivalente à la réflectance prise pour une autre géométrie d’acquisition.
La réflectance avec un angle d’incidence θi , d’émergence θe et de rugosité θr est équivalente à celle
avec un angle d’incidence θi , d’émergence θe − θr , modulé par un facteur S(θi , θr , g, Ξ), calculable ana-
lytiquement d’après la théorie de Hapke (voir section [Link] page 29).
Cette modélisation, qui a l’avantage d’être analytique, ne détermine pas d’échelle de mesure de l’angle
de rugosité. Or, d’après le paragraphe précédent, la pente dépend fortement de l’échelle considérée.
Efford et al. montrent que le paramètre d’angle de rugosité θr est une fonction croissante de la
dimension fractale (68).

Description fractale Shepard et Campbell proposent une fonction empirique d’ombrage qui dépend de
l’exposant de Hurst H (voir annexe 12.6 page 216) et de la pente moyenne à la plus petite échelle (272).
Cette fonction, noté Ψ, a été calibrée sur des études numériques par tracé de rayon sur des surfaces
fractales. Cette fonction a pour expression :
 
6
→, H, γ) = 1 − 1 1 n1−H
Ψ(−−→ • −  
rsur f rsun ∑ n−1
er f c  q  (8.13)
2 n=1 2.3  √ 1−(− −→•−
rsur →
f rsun )
2 
2 − −→•− → tan(γ)
(rsur f rsun )

Nous avons choisi cette modélisation des effets de rugosité dans notre étude.

[Link] Modélisation du bilan d’énergie radiative

L’effet de l’ombrage est simplement une modification du modèle décrit à la section 8.1.3. Le terme du
bilan d’énergie radiative le plus important, lors de la récession, est le flux solaire direct. Nous avons donc
choisi d’appliquer la correction des ombres portées uniquement sur ce terme. L’équation 8.6 devient :

Ssun −−→ −→
Qin
sun = 2
(1 − Avis )(1 − f )1/ max((rsur f •rsun ),0.04) (−
n−→ −→ −−→ −→
sur f • rsun )Ψ(rsur f • rsun , H, γ) (8.14)
rsun

L’exposant de Hurst est supposé constant pour la zone polaire sud de Mars et vaut H = 0, 8. Cette
approximation semble correcte d’après les estimations locales de H (5). De plus, l’exposant de Hurst
moyen de Mars est H = 0, 8.

8.2.4 Résultats
Afin de tester la validité des hypothèses de fonction d’ombre et d’albédo, il est nécessaire d’établir
une argumentation statistique, exposée à la section 8.2.2 page 164. Définissons dans un premier temps
l’indicateur statistique de largeur de la distribution, suivent les résultats.

167
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

F IG . 8.9 – Illustration du rapport R̂stat qui définit les extrêmes de la distribution (voir texte).

P̂stat 0 0,01 0,1 0,2 0,3 0,4 0,5

R̂stat 1 1,02 1,22 1,5 1,86 2,33 3

TAB . 8.3 – Relation entre R̂stat et l’indicateur statistique P̂stat

[Link] Indicateur statistique

Introduisons un indicateur statistique P̂stat de la largeur de la distribution de la variable aléatoire X,
ayant N occurrences, noté Xi tel que :
q
Vdar(X)
P̂stat (X) = (8.15)
hXi
d

Avec les estimateurs usuels de la moyenne et de la variance (voir annexe 12.4.4 page 212) :
N
d= 1
hXi ∑ Xi
N i=1
(8.16)

1 N
Vd
ar(X) = d 2
∑ (Xi − hXi) (8.17)
N − 1 i=1

L’indicateur statistique P̂stat (X) décrit l’importance des ailes de la distribution de X. Supposons
√ que
X soit gaussien, 16 % de la population doit être dans le√domaine extrême bas [−∞,µ̂ − σ̂ ], tandis
que 16 % doit être dans le domaine extrême haut [µ̂ + σ̂ , ∞]. Le rapport de la valeur de X, d’un
point de la population extrême basse, divisée par la valeur d’un point de la population extrême haute est
nécessairement plus grand que R̂stat . Le rapport R̂stat est défini par :
√
µ̂ + σ̂ 1 + P̂stat
R̂stat = √ = (8.18)
µ̂ − σ̂ 1 − P̂stat
Ce rapport R̂stat√définit la largeur de la distribution.
√ La figure 8.9 illustre ce rapport entre les occurrences
rouges (> µ̂ + σ̂ ) et les bleues (< µ̂ + σ̂ ).
Il existe une relation entre R̂stat et l’indicateur statistique P̂stat . La correspondance est indiquée dans
le tableau 8.3.
Pour bien comprendre cette relation, considérons toujours le cas gaussien. Rappelons qu’une facette est
un élément de la grille pour lequel il est possible de calculer la masse de CO2 sublimée.
Supposons une situation où l’indicateur statistique P̂stat , de la distribution de masse de CO2 sublimée
sur un √ ensemble de facettes, est de 0,4. Dans ce cas, 16% des facettes √ ont une masse de CO2 sublimée
> µ̂ + σ̂ et 16% de facettes ont une masse de CO2 sublimée < µ̂ + σ̂ . Il existe donc un facteur > 2, 33
entre la masse sublimée de ces deux populations extrêmes de facettes. Si l’accumulation est homogène,
16% de la population va avoir un temps de sublimation moitié moindre que le temps de sublimation des
16 autres % de facettes extrêmes. Cette situation schématique ne tient pas compte des effets de l’émission
thermique des voisins déjà déglacés (voir équation 8.9)

168
 8.2. RÉCESSION DE LA CALOTTE SAISONNIÈRE SUD À L’ÉCHELLE LOCALE

[Link] Effet d’ombre à albédo homogène

Cette section présente les résultats du modèle de sublimation, tenant compte des effets d’ombrage
(voir section [Link] page 167). La masse de CO2 sublimée est estimée au cours du temps (pas de 5°Ls)
pour toutes les facettes des données MOLA en projection cartographique à une échelle de 920 m.
Le champ d’albédo dans le visible Avis (L, φ , Ls) = Avis (L0 , Ls) est contraint par les équations empiriques
8.11 et 8.12 (voir section 8.1.4 page 159). Les champs d’émissivité et d’albédo infrarouge sont supposés
homogènes et constants (ε(L, φ , Ls) = 0, 99 et AIR (L, φ , Ls) = 0, 01 en conséquence).
Ces paramètres d’entrée ont permis de reproduire l’asymétrie de la récession à l’échelle régionale (voir
section 8.1.4 page 159).
Les résultats sont exprimés dans un graphique, montrant l’évolution temporelle (avec un pas de 5°Ls)
d’un profil méridien. Il existe 36 profils méridiens définis avec un pas de 10° (voir figure 8.10 à 8.15).
Il est possible d’estimer le temps snowdrop dans ce graphique. Il s’agit, à une latitude donnée, du
temps entre la date crocus interne et externe.
La largeur de la distribution de masse de CO2 sublimée est représentée grâce au code de couleur :
blanc pour une distribution homogène, bleu foncé pour une distribution large.
Ces graphiques montrent que la corrélation entre la distribution de masse de CO2 sublimée et le
temps snowdrop est relativement mauvaise.
Par exemple, sur le profil entre les longitudes 320°E et 330°E (voir figure 8.15), la largeur de la distribu-
tion a un minimum local vers 79° de latitude qui est anticorrélée avec un temps snowdrop très large.

[Link] Effet d’albédo

De la même manière que pour tester les effets d’ombres (voir la section précédente), nous re-
présentons chaque profil méridien au cours du temps. Les figures 8.16 à 8.21 représentent la largeur
P̂stat (1 − Avis ) de la distribution du facteur d’absorption 1 − Avis , évaluée à partir de la réflectance, mesu-
rée par OMEGA dans le continuum à 1,07 microns. (voir équation 8.10).
Ce paramètre est représenté grâce à un code de couleur. Il implique une largeur de distribution de
masse de CO2 sublimée au sol (voir section 8.2.2).
Il existe donc 36 graphiques, pour les profils méridiens espacés régulièrement en longitude tous les 10°.
Ces graphiques montrent que la corrélation entre la distribution de masse de CO2 sublimée et le
temps snowdrop est relativement correcte.
Par exemple, sur le profil entre les longitudes 320°E et 330°E, la largeur de la distribution de 1 − Avis a
un maximum local vers 79° de latitude qui est corrélé avec un temps snowdrop très large pour ce point
(voir figure 8.21). Il est intéressant de noter que la distribution de 1 − Avis est large, dès la date 220°Ls.
Ainsi, pendant environ 80 jours (40°Ls), la distribution d’albédo du CO2 est large malgré une couverture
de CO2 dans plus de 99% de la surface.

169
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

F IG . 8.10 – Évolution temporelle (en °Ls) des profils méridiens de P̂stat (MCO2 ) répartis entre les lon-
gitudes 0°E et 60°E. Les croix rouges représentent les lignes crocus internes et externes. Le fond de
blanc à bleu foncé correspond à la largeur de la distribution de la masse de CO2 sublimée mesurée par
l’indicateur statistique P̂stat .

170
 8.2. RÉCESSION DE LA CALOTTE SAISONNIÈRE SUD À L’ÉCHELLE LOCALE

F IG . 8.11 – Évolution temporelle (en °Ls) des profils méridiens de P̂stat (MCO2 ) répartis entre les longi-
tudes 60°E et 120°E. Les croix rouges représentent les lignes crocus internes et externes. Le fond de
blanc à bleu foncé correspond à la largeur de la distribution de la masse de CO2 sublimée mesurée par
l’indicateur statistique P̂stat .

171
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

F IG . 8.12 – Évolution temporelle (en °Ls) des profils méridiens de P̂stat (MCO2 ) répartis entre les longi-
tudes 120°E et 180°E. Les croix rouges représentent les lignes crocus internes et externes. Le fond de
blanc à bleu foncé correspond à la largeur de la distribution de la masse de CO2 sublimée mesurée par
l’indicateur statistique P̂stat .

172
 8.2. RÉCESSION DE LA CALOTTE SAISONNIÈRE SUD À L’ÉCHELLE LOCALE

F IG . 8.13 – Évolution temporelle (en °Ls) des profils méridiens de P̂stat (MCO2 ) répartis entre les longi-
tudes 180°E et 240°E. Les croix rouges représentent les lignes crocus internes et externes. Le fond de
blanc à bleu foncé correspond à la largeur de la distribution de la masse de CO2 sublimée mesurée par
l’indicateur statistique P̂stat .

173
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

F IG . 8.14 – Évolution temporelle (en °Ls) des profils méridiens de P̂stat (MCO2 ) répartis entre les longi-
tudes 240°E et 300°E. Les croix rouges représentent les lignes crocus internes et externes. Le fond de
blanc à bleu foncé correspond à la largeur de la distribution de la masse de CO2 sublimée mesurée par
l’indicateur statistique P̂stat .

174
 8.2. RÉCESSION DE LA CALOTTE SAISONNIÈRE SUD À L’ÉCHELLE LOCALE

F IG . 8.15 – Évolution temporelle (en °Ls) des profils méridiens de P̂stat (MCO2 ) répartis entre les longi-
tudes 300°E et 360°E. Les croix rouges représentent les lignes crocus internes et externes. Le fond de
blanc à bleu foncé correspond à la largeur de la distribution de la masse de CO2 sublimée mesurée par
l’indicateur statistique P̂stat .

175
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

F IG . 8.16 – Évolution temporelle (en °Ls) des profils méridiens de P̂stat (1 − Avis ) répartis entre les longi-
tudes 0°E et 60°E. Les croix rouges représentent les lignes crocus interne et externe. Le fond de couleur
correspond à la largeur de la distribution du facteur d’absorption du CO2 à 1,07 microns mesuré par
l’indicateur statistique P̂stat sur les observations OMEGA.

176
 8.2. RÉCESSION DE LA CALOTTE SAISONNIÈRE SUD À L’ÉCHELLE LOCALE

F IG . 8.17 – Évolution temporelle (en °Ls) des profils méridiens de P̂stat (1 − Avis ) répartis entre les lon-
gitudes 60°E et 120°E. Les croix rouges représentent les lignes crocus interne et externe. Le fond de
couleur correspond à la largeur de la distribution du facteur d’absorption du CO2 à 1,07 microns mesuré
par l’indicateur statistique P̂stat sur les observations OMEGA.

177
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

F IG . 8.18 – Évolution temporelle (en °Ls) des profils méridiens de P̂stat (1 − Avis ) répartis entre les lon-
gitudes 120°E et 180°E. Les croix rouges représentent les lignes crocus interne et externe. Le fond de
couleur correspond à la largeur de la distribution du facteur d’absorption du CO2 à 1,07 microns mesuré
par l’indicateur statistique P̂stat sur les observations OMEGA.

178
 8.2. RÉCESSION DE LA CALOTTE SAISONNIÈRE SUD À L’ÉCHELLE LOCALE

F IG . 8.19 – Évolution temporelle (en °Ls) des profils méridiens de P̂stat (1 − Avis ) répartis entre les lon-
gitudes 180°E et 240°E. Les croix rouges représentent les lignes crocus interne et externe. Le fond de
couleur correspond à la largeur de la distribution du facteur d’absorption du CO2 à 1,07 microns mesuré
par l’indicateur statistique P̂stat sur les observations OMEGA.

179
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

F IG . 8.20 – Évolution temporelle (en °Ls) des profils méridiens de P̂stat (1 − Avis ) répartis entre les lon-
gitudes 240°E et 300°E. Les croix rouges représentent les lignes crocus interne et externe. Le fond de
couleur correspond à la largeur de la distribution du facteur d’absorption du CO2 à 1,07 microns mesuré
par l’indicateur statistique P̂stat sur les observations OMEGA.

180
 8.2. RÉCESSION DE LA CALOTTE SAISONNIÈRE SUD À L’ÉCHELLE LOCALE

F IG . 8.21 – Évolution temporelle (en °Ls) des profils méridiens de P̂stat (1 − Avis ) répartis entre les lon-
gitudes 300°E et 360°E. Les croix rouges représentent les lignes crocus interne et externe. Le fond de
couleur correspond à la largeur de la distribution du facteur d’absorption du CO2 à 1,07 microns mesuré
par l’indicateur statistique P̂stat sur les observations OMEGA.

181
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

8.2.5 Conclusion
Le temps snowdrop est corrélé avec la largeur de la distribution du facteur d’absorption 1 − Avis
à l’échelle locale, quelques dizaines de °Ls avant la date crocus interne. Ainsi, pendant quelques se-
maines, la distribution d’albédo du CO2 est large, bien que plus de 99% de la surface soit couverte de
CO2 .
L’hypothèse sur l’albédo, notée à l’équation 8.10, est encore valable à l’échelle locale, puisqu’il existe
une certaine cohérence interne entre modèle, données et résultats. L’effet de moyennage sur plusieurs
observations OMEGA à des temps locaux différents a peut-être permis de s’affranchir des effets direc-
tionnels, en moyennant indirectement sur l’angle d’incidence.
L’albédo est donc le paramètre majeur qui contrôle le temps snowdrop et la récession à l’échelle
locale. L’albédo peut être contrôlé par plusieurs phénomènes potentiels qu’il faut discriminer. Voici
quelques exemples :
– Mélange géographique subpixel (OMEGA) : En cas de tel mélange, l’albédo correspond à un mé-
lange linéaire des albédos de neige et de poussières sombres au prorata des surfaces couvertes par
l’un et l’autre des pôles. Cependant, cette explication ne semble pas convaincante car cette situa-
tion est très instable.
La température d’un terrain déglacé monte au delà de 200K, ce qui a pour effet d’augmenter forte-
ment le flux thermique. Pour une facette encore couverte de glace, le terme d’émission thermique
des facettes voisines augmente, ce qui accélère la sublimation. Ce phénomène apparaît pendant la
période de transition, entre les lignes crocus interne et externe.
Le profil 320°-330°E montre que la situation est stable pendant plus de 40°Ls, ce qui rend ce
phénomène improbable.
– Épaisseur de glace : Les études de Warren et al. (305) montrent que si la glace est optiquement fine,
l’épaisseur de glace est corrélée à l’albédo. Différents processus peuvent produire des variabilités
locales d’épaisseur de glace à la surface :
– Sublimation différentielle : comme indiqué dans la section 8.1.3. Ce processus forme une boucle
de rétroaction positive, car plus de sublimation entraîne une épaisseur plus fine et donc un albédo
plus faible qui augmente encore la sublimation. La stabilité de la variabilité d’albédo sur plus
de 40°Ls montre que ce processus est peu probable.
Aussi, il n’y a pas de corrélation entre P̂stat (1 − Avis ) d’une part, qui dans ce scénario serait à
l’origine de la boucle de rétroaction, et P̂stat (MCO2 ) d’autre part.
– Ablation différentielle : forcée par l’atmosphère comme discutée à la section [Link] page 131.
– Taille de grains : Les études de Warren et al. montrent que la taille des grains est anticorrélée avec
l’albédo (305). A l’extrême, une taille de grains très grande correspond à un scénario de couche
de glace transparente. Différents processus physiques peuvent produire des variabilités locales de
taille de grains :
– Mode de dépôts : La section [Link] page 130 expose les modes de dépôts possibles de la calotte
saisonnière de CO2 . Il s’agit de la condensation directe et de la précipitation de neige. La part
relative de ces deux processus varie localement.
Le premier processus, dominant partout sur la calotte saisonnière produit des tailles de grains
relativement fortes.
Le second processus est très dépendant de l’écoulement atmosphérique, lui-même en partie
forcé par la topographie locale. La précipitation de neige au sol produit des dépôts, ayant des
tailles de grains relativement faibles et un albédo plus fort.
– Métamorphisme différentiel : Le métamorphisme tend à faire augmenter la taille des grains de
CO2 (69). Des hétérogénéités physiques (contenu en poussière, en eau) ou des hétérogénéités
d’énergie absorbée (moteur du métamorphisme) conduisent à un métamorphisme différentiel.
La seconde possibilité est improbable car les variabilités locales d’insolation directe, source
principale d’énergie, ne sont pas corrélées aux variabilités d’albédo (voir article 15 page 223).

182
 8.3. CONCLUSION ET PERSPECTIVES

– Abondance en poussière : Les études de Warren et al. montrent que l’abondance des impuretés de
poussière, dans un matériau granulaire de glace de CO2 , est anticorrélée avec l’albédo (305). Dif-
férents processus physiques peuvent produire des variabilités locales d’abondance en poussière :
– Dépôts de poussière : lors de la formation des dépôts saisonniers par condensation ou précipita-
tion de neige, une partie de la poussière atmosphérique locale peut être incorporée aux dépôts.
Également, pendant la phase d’ablation, il est possible que de la poussière soit déposée par des
jets (voir section [Link] page 139). Dans ce scénario, la variabilité locale d’albédo serait liée à
une variabilité locale du contenu en poussière dans l’atmosphère, elle même pouvant être liée à
une distribution spatiale hétérogène des jets.
– Nettoyage différentiel. Différents processus de nettoyage sont proposés, chacun ayant l’énergie
solaire comme moteur :
– Nettoyage par enfoncement de la poussière : Ce processus correspond au chauffage préféren-
tiel des grains de poussières incorporés dans le givre car leur albédo est plus faible (233; 137).
Ces grains chauds vont faire sublimer préférentiellement la glace sous-jacente et du coup
s’enfoncer dans la masse, faisant augmenter l’albédo. A une certaine profondeur d’équilibre,
ils ne sont plus atteints par le rayonnement solaire et l’albédo atteint son maximum.
– Nettoyage par expulsion des poussières, proposé par Kieffer (153) : Il s’agit du même proces-
sus que précédemment, appliqué aux poussières les plus fines. Celles-ci décolleraient sous la
pression du CO2 qui se sublime sous elles. Ces poussières sont incorporées dans l’atmosphère
comme le montre la correspondance de taille entre les particules mesurées dans l’atmosphère
et celles prévues par ce modèle de décollage.
– Nettoyage par condensation préférentielle en surface : Ce processus est basé sur le fait que
la glace de CO2 peut être relativement transparente dans le visible en comparaison avec l’in-
frarouge thermique (305). Dans ce cas, la lumière solaire peut pénétrer en profondeur et
réchauffer le sol sous-jacent, produisant une sublimation locale à la base du givre (139). Ce
processus permet de produire une sublimation nette sur toute la couche de CO2 . Localement,
en base de la couche de CO2 se produit une sublimation. Cependant, en surface, à l’endroit
où le flux thermique est émis, une condensation se produit. Cette condensation de givre frais,
à relativement faible taille de grains, recouvre les poussières et fait augmenter l’albédo global
de la couche de CO2 .
Le paroxysme de ce modèle a été repris en ajoutant une issue catastrophique à ce phénomène :
une montée en pression du gaz de CO2 sous la couche rigide de glace suivie d’une rupture.
Lors de la rupture, le CO2 s’éjecte violemment entraînant les poussières et forme des geysers.
Il existe de rares observations comportant des geysers actifs (242). Dans ce cas, la poussière
des jets qui retombent sur la glace fait à nouveau baisser violemment l’albédo.
Des hétérogénéités physiques (taille des grains, contenu en poussière, en eau) ou des hétérogé-
néités d’énergie solaire (moteur du nettoyage) conduisent à un nettoyage différentiel.
La seconde possibilité est peu convaincante car les variabilités locales d’insolation directe,
source principale d’énergie, ne sont pas corrélées aux variabilités d’albédo (voir article 15
page 223).

8.3 Conclusion et perspectives

Nous avons pu montrer au cours de ce chapitre que le paramètre clef de la récession de la calotte
saisonnière sud de Mars est l’albédo aux échelles régionale et locale.
L’albédo de la glace de CO2 est une quantité hémisphérique intégrée spectralement. Il est estimé par
la réflectance mesurée par OMEGA dans le continuum à 1,07 microns, à une géométrie d’acquisition
donnée. Cette estimation semble correcte de façon quantitative, à l’échelle régionale. A l’échelle locale,
la variabilité d’albédo semble correctement reproduite par notre estimation. Ces résultats suggèrent d’une
part, que les effets atmosphériques ne sont pas prépondérants au premier ordre. D’autre part, que les effets
spectraux et hémisphériques sont reproduits au premier ordre par notre estimation.

183
CHAPITRE 8. CALOTTE SAISONNIÈRE À HAUTE RÉSOLUTION SPATIALE

L’effet différentiel d’orientation et d’ombres portées lié à la rugosité a été écarté. Cependant, cet effet
pourrait s’exprimer à une échelle plus fine que 920 m. Il pourrait être judicieux d’effectuer des calculs à
plus haute résolution spatiale.
Les modélisations ultérieures peuvent tenir compte de l’effet d’albédo de deux manières différentes :
La première solution réside dans la mesure de l’albédo en utilisant des données de type OMEGA. Ce-
pendant, il est impossible d’estimer le champ d’albédo complet et ses variations temporelles. Il faudrait
donc extrapoler les mesures disponibles à la fois dans l’espace et dans le temps.
La seconde possibilité consiste à modéliser le comportement de l’albédo. Cette solution n’est possible
que si le (les) processus qui gouverne(nt) l’albédo ont été mis en évidence.

184
Conclusion et perspectives

D EUX NOUVEAUX OUTILS D ’ ANALYSE D ’ IMAGE HYPERSPECTRALE DE TÉLÉDÉTECTION

Lors de cette thèse, deux outils complémentaires d’analyse des images hyperspectrales de télédétec-
tion ont été élaborés.
Le premier s’appelle “Wavanglet” (voir chapitre 4 page 77). Il s’agit d’une méthode de détection,
supervisée et rapide, des formes spectrales. Cette méthode a été développée pour la détection d’un grand
nombre de classes (par exemple de corps chimiques au sol), en réduisant les effets d’absorption atmo-
sphérique et les effets de géométrie d’acquisition. L’ensemble de ces propriétés confère à la méthode
Wavanglet, une place de choix dans le traitement de larges bases de données d’images hyperspectrales.
Cette méthode permet de détecter la présence de glace sur la base de données complète du spectro-
imageur OMEGA, en moins d’un jour de calcul.
Des tests synthétiques, dans des conditions réalistes de la calotte permanente sud, ont été effectués. Sur
les quelques méthodes de classification sélectionnées, seules les méthodes Wavanglet et de rapports de
bandes permettent de s’affranchir des effets d’absorption atmosphérique et des effets de la géométrie
d’acquisition. En cas de recouvrement de bandes d’absorption de plusieurs corps chimiques, ou en cas
de dégradation du signal de télédétection, la méthode Wavanglet permet une séparation des signaux plus
aisée et plus sure que la méthode des rapports de bandes.
Le deuxième outil développé lors de cette thèse est nommé “JADE+BPSS” (voir chapitre 6 page 115).
Il s’agit d’une méthode non-supervisée dite de séparation de source en aveugle, contrairement à Wavan-
glet qui est une méthode supervisée. Elle permet d’extraire des informations d’intérêts planétologiques en
effectuant un minimum d’hypothèses sur les données à traiter. En particulier, cette méthode ne suppose
pas la présence a priori de corps chimiques. Les deux hypothèses nécessaires pour le bon déroulement
de la séparation de sources sont : un mélange linéaire positif et une indépendance spectrale.
Cette méthode tente une quantification inédite et très intéressante dans le schéma d’analyse des images
hyperspectrales. Elle permet à la fois d’extraire des spectres de corps purs, sans les supposer présents a
priori, et de déterminer une abondance associée à chaque corps pur. Ces deux informations sont néces-
saires à une inversion systématique de tous les spectres de l’image car elles permettent de sélectionner
des spectres représentatifs de la scène. Les tests sur des observations OMEGA montrent que la méthode
JADE+BPSS permet d’estimer des spectres purs de glaces d’eau et de CO2 ainsi que des abondances
relatives en accord avec les premières analyses par inversion d’un modèle de transfert radiatif.

M ODÉLISATION DE LA RÉCESSION DE LA CALOTTE SAISONNIÈRE SUD DE M ARS :

VERS L’ ÉCHELLE LOCALE ...

L’analyse des images OMEGA s’est traduite par la détection systématique de glace de CO2 et d’eau
avec Wavanglet (voir chapitre 8 page 149). A l’échelle régionale, ces analyses ont rendu compte de la
diminution de la surface couverte de dépôts saisonniers au cours du temps, avec l’évolution de la ligne
crocus. Afin de décrire la bordure de la calotte saisonnière à l’échelle locale, nous avons introduit les
notions de lignes crocus interne et externe, ainsi que de distance snowdrop. Les équivalences dans le
domaine temporel sont les suivantes : date crocus interne et externe, ainsi que de temps snowdrop.

185
CONCLUSION ET PERSPECTIVES

Ces descriptions de la récession sud aux échelles locale et régionale constituent de nouvelles obser-
vables que nous avons interprétées grâce à un modèle de sublimation de CO2 , établi lors de cette thèse
(voir chapitre 8 page 149). Ce modèle tient compte de l’émission thermique et de différents termes d’ab-
sorptions dans le visible et l’infrarouge. Le terme de conduction de chaleur dans le sous-sol a été écarté
sur des arguments quantitatifs.
A l’échelle régionale, l’asymétrie de la récession de la calotte saisonnière sud est compatible avec l’asy-
métrie d’albédo observée. Quantitativement, l’accélération relative de la récession dans la région cryp-
tique est compatible avec un albédo relativement plus faible. Il n’existe donc probablement aucune asy-
métrie durant la période d’accumulation. Les effets d’altitude, d’émissivité et d’albédo dans l’infrarouge
sont négligeables devant celui de l’albédo.
En utilisant notre modèle de sublimation de la glace de CO2 à l’échelle locale, nous avons montré que les
effets de pente et d’ombre portée, pourtant très importants aux pôles, sont négligeables sur la récession
sud. Cette étude montre que l’albédo est le paramètre clef qui contrôle la récession à l’échelle locale.
Le résultat majeur est la corrélation entre le temps snowdrop et la largeur de la distribution d’albédo
quelques semaines avant la sublimation totale. Les effets d’altitude, d’émissivité et d’albédo dans l’in-
frarouge sont aussi négligeables à l’échelle locale. Quant à l’accumulation, elle n’a pas pu être testée
quantitativement.
L’amélioration de la modélisation du bilan de masse de la glace de CO2 dans les GCM nécessite
des améliorations de la modélisation de l’albédo. Plusieurs processus physiques de contrôle d’albédo des
dépôts saisonniers de CO2 sont possibles, impliquant au moins un des facteurs suivants : épaisseur, taille
des grains, contenu en poussière. A l’échelle locale, la distance snowdrop forme une nouvelle observable
permettant de contraindre les GCM.

P ERSPECTIVES G ÉNÉRALES
Les deux outils de traitement du signal ”Wavanglet” et “JADE+BPSS” permettent d’extraire des
informations de composition de la surface. L’étape suivante d’analyse des images OMEGA de la calotte
saisonnière sud, est l’inversion des spectres, en utilisant un modèle de transfert radiatif. Cette étape
permet de contraindre les paramètres physiques tels que l’abondance, la taille des grains ou le type de
mélange.
Ces paramètres physiques pourront discriminer les différents scenarii possibles des processus physiques
contrôlant l’albédo et la récession de la calotte saisonnière sud de Mars.
Cette méthodologie d’analyse, couplant détection de glace et modélisation de la stabilité des dépôts
saisonniers devrait à terme être aussi pratiquée au Nord. L’hémisphère nord martien étant plus riche en
eau, il serait donc intéressant de mesurer l’effet de la glace d’eau sur la stabilité des dépôts saisonniers
de CO2 . Les implications d’une telle étude portent sur la climatologie martienne à l’échelle actuelle et
au cours des temps géologiques.
De façon plus générale, les outils que nous avons développés et validés montrent l’intérêt de l’al-
liance des domaines de la Planétologie et des Sciences de la Terre d’une part, et des STIC d’autre part.
Ces outils permettent des analyses pointues de la large base de donnée OMEGA. Cette alliance a permis
d’établir un algorithme rapide (Wavanglet), s’affranchissant de la grande taille de la base de donnée.
Aussi, la méthode de séparation de source en aveugle (JADE+BPSS), conduit à l’extraction d’informa-
tion contenue dans la masse des données.
D’autres outils restent à construire, en intégrant la cohérence spatiale au sein d’une image, voire au sein
d’une collection d’observations. Pour l’étude des surfaces planétaires, le prochain objectif réside dans la
détermination de la représentation de terrain et des modes de mélanges dominants.
Les méthodes “Wavanglet” et “JADE+BPSS” de traitement des images hyperspectrales peuvent être
utilisés pour l’extraction d’informations planétologiques dans un contexte différent de celui des glaces
martiennes.
Par exemple, la détection et la cartographie de glace peut s’effectuer sur d’autres corps du Système
Solaire (Terre, comètes, satellites glacés, ...).
Aussi, ces méthodes peuvent extraire des informations planétologiques à propos des minéraux de la

186
 CONCLUSION ET PERSPECTIVES

surface, comme le montre l’étude préliminaire de détection du gypse par Wavanglet.

Enfin, ces méthodes permettent potentiellement d’extraire des informations sur l’atmosphère car celles-ci
impriment les spectres d’un signal particulier. Ce domaine reste encore à explorer !

187
Troisième partie

Annexes

189
Chapitre 9
Glossaire

– Accumulation : mécanisme d’augmentation de la couche de dépôt saisonnier.

– Albédo : puissance totale réfléchie par une surface dans toutes les directions, rapportée à la puis-
sance totale interceptée. D’autres définitions existent (voir section 1.3.1 page 22).
– Albédo bolométrique : dans le domaine visible/proche infrarouge, l’intégrale spectrale de l’al-
bédo pondéré du spectre solaire (voir section 1.3.1 page 22).
– Ablation : mécanisme de diminution de la couche de dépôt saisonnier.
– Asymétrie : brisure de la symétrie centrale autour du pôle géographique.
– Base de référence : base de données de spectres de référence utilisée pour la classification super-
visée. Elle peut être de deux types : base spectrale de référence ou base de distribution spectrale
de référence (voir section 2.2 page 41).
– Base de distribution spectrale de référence : ensemble de distribution spectrale de référence qui
permet une classification, et la compréhension d’une image ou d’un dataset donné (voir section 2.2
page 41).
– Base spectrale de référence : ensemble de spectres de référence qui permet une classification, et
la compréhension d’une image ou d’un dataset donné (voir section 2.2 page 41).
– Canal : ensemble de tous pixels à une longueur d’onde donnée.
– Classification déterministe exclusive : classification dont le résultat est binaire et qui ne permet
pas à un pixel d’appartenir à plus d’une seule classe.
– Classification déterministe non-exclusive : classification dont le résultat est binaire et qui permet
à un pixel d’appartenir à plus d’une seule classe.
– Classification non-supervisée : qui ne nécessite pas d’autres informations que les données brutes,
sans a priori autre que mathématique.
– Classification statistique ou flou : classification dont le résultat est une probabilité d’appartenance
à une classe.
– Classification spectro-spatiale : classification qui porte à la fois sur des informations spatiale et
spectrale.
– Classification supervisée : classification qui nécessite des connaissances préalables (connais-
sances spectroscopiques, base d’apprentissage sensée être représentative du jeu de données, ...).
– Cycle saisonnier martien : cycle saisonnier de dépôts sur les deux pôles martiens.
– Date crocus : à un endroit donné de Mars, date pour laquelle le dépôt saisonnier est sublimé (voir
fig. 7.1 page 134).
– Dichotomie : brisure de symétrie entre les hémisphères nord et sud.
– Distance : ressemblance entre deux objets au sens mathématique (voir annexe 12.1 page 199).
– Distance snowdrop : taille caractéristique de la zone de transition en bordure de la calotte sai-
sonnière. C’est la distance séparant la ligne crocus interne et la ligne crocus externe, le long des
méridiens.
– Distribution spectrale de référence : spectre de référence défini statistiquement, comme une

191
CHAPITRE 9. GLOSSAIRE

densité de probabilité du spectre. La définition la plus usuelle étant la densité de probabilité gaus-
sienne, cette distribution est définie par un spectre, qui correspond à la valeur moyenne, et un écart
type éventuellement différent à chaque longueur d’onde (voir section 2.2 page 41).
– Écran couleur : écran classique d’ordinateur comportant 2 dimensions spatiales (par exemple de
dimension 1024*768 pixels) et une dimension “couleur” (toujours en dimension 3, par exemple :
Rouge, Vert, Bleu). C’est la dimension utilisée classique pour représenter des données. Un gra-
phique sur une feuille a la même dimensionnalité.
– Facette : élément de surface pour lequel la masse de CO2 sublimée est estimée par un modèle.
– Fauchée : trace au sol de la trajectoire du satellite.
– Géométrie d’acquisition : pour chaque pixel, la géométrie d’acquisition est l’ensemble des direc-
tions d’incidence solaire et d’émergence vers le capteur.
– Ligne crocus : ligne de délimitation de la zone recouverte de dépôts saisonniers. C’est la ligne
reliant tous les points ayant une date crocus similaire.
– Ligne crocus externe : ligne séparant deux domaines (voir figure 8.8 page 164) : (i) le domaine
de la zone de transition (dans laquelle certaines facettes ne comportent pas de dépôts saisonniers
de CO2 ) ; (ii) le domaine où il n’existe plus de glace de CO2 . C’est la ligne reliant tous les points
ayant une date crocus externe similaire.
– Ligne crocus interne : ligne séparant deux domaines (voir figure 8.8 page 164) : (i) le domaine
entièrement recouvert de glace de CO2 ; (ii) le domaine de la zone de transition (dans laquelle
certaines facettes ne comportent pas de dépôts saisonniers de CO2 ). C’est la ligne reliant tous les
points ayant une date crocus interne similaire.
– Longitude subsolaire (Ls) : angle qui défini la position de la planète sur son orbite lors de sa
rotation autour du Soleil. Cet angle est déterminé en °Ls, à partir de l’équinoxe de printemps nord.
Pour l’hémisphère nord : l’équinoxe de printemps est à Ls=0°, le solstice d’été à Ls=90, l’équinoxe
de printemps à Ls=180° et le solstice d’été à Ls=270°. Pour l’hémisphère sud : l’équinoxe de
printemps est à Ls=180°, le solstice d’été à Ls=270, l’équinoxe de printemps à Ls=0° et le solstice
d’été à Ls=90°. 1°Ls correspond à peu près à 2 jours martiens soit 2 jours terrestres.
– Malédiction de la dimensionnalité : problème d’estimation statistique dans les espaces à grandes
dimensions (voir annexe 12.5 page 214)
– Mélange géographique résolu : “mélange” spectral induit par un assemblage de milieu granulaire
à une échelle plus grande que la taille du pixel. C’est un mélange à l’échelle planétaire, résolu
par l’instrument qui peut être étudié notamment par la cohérence spatiale (voir section [Link]
page 31).
– Mélange géographique subpixel : mélange spectral induit par une juxtaposition horizontale de
milieux granulaires à une échelle intermédiaire entre le pixel et le libre parcours moyen optique
dans la direction horizontale. Dans l’hypothèse d’une atmosphère non diffusante, la BRDF du
pixel est une combinaison linéaire des BRDF des milieux granulaires pondérés des proportions de
surface intra-pixel (voir section [Link] page 31).
– Mélange intime : mélange spectral induit par un assemblage de matériau à une échelle plus fine
que celle du libre parcours moyen optique horizontal. Il peut être de trois cas ou d’une combinaison
de ces cas : mélange intime chimique, mélange intime granulaire et mélange intime stratifié (voir
section [Link] page 31).
– Mélange intime chimique : mélange spectral induit par un assemblage de corps chimiques à une
échelle plus fine que celle d’un grain. Un assemblage sous forme d’inclusion intra-grain produit
un changement non-linéaire des sections efficaces d’absorption et de diffusion du grain. En cas
d’un assemblage chimique cristallin, les constantes optiques du matériau ne sont pas fonctions des
constantes optiques propres à chaque corps chimique pur (voir section [Link] page 31).
– Mélange intime granulaire : mélange spectral induit par un assemblage de grains de propriétés
physiques différentes (composition chimique, taille et forme de grains) au sein d’un même milieu
granulaire. Les hétérogénéités du milieu granulaire interviennent entre les échelles de tailles de
grains et du libre parcours moyen optique. La théorie du transfert radiatif montre que la BRDF

192
 du milieu granulaire hétérogène n’est pas relié aux BRDF des milieux homogènes (voir sec-
tion [Link] page 31).
– Mélange intime stratifié : mélange spectral induit par un assemblage de strates, en général hori-
zontales. Chaque strate est un milieu granulaire, à une échelle plus fine que celle du libre parcours
moyen optique. La BRDF du milieu stratifié est un mélange non-linéaire des BRDF et transmit-
tance de chaque strate (voir section [Link] page 31).
– Nadir : de l’arabe “nazir”. C’est la direction opposée au zénith. Par extension, le point à la surface,
à la verticale d’un satellite.
– Phénomène de Hughes ou malédiction de la dimensionnalité : malédiction de la dimensionna-
lité appliquée au problème de classification (voir annexe 12.5.3 page 215).
– Pixel : élément discret de la dimension spatiale.
– Point froid : zone de la calotte saisonnière de Mars comportant une température de brillance
anormalement faible.
– Profil méridien : ensemble d’éléments de la grille (pas de 0,3° en latitude et 10° en longitude) à
longitude constante qui forme un profil le long d’un méridien.
– Progression (de la calotte saisonnière) : phase d’augmentation de la surface couverte de dépôts
saisonniers pendant l’automne et l’hiver local due à leur accumulation.
– Réflectance bidirectionnelle : rapport entre la luminance réfléchie dans la direction d’émergence
sur l’éclairement arrivant à la surface, provenant de la direction d’incidence. Cette quantité dépend
des directions d’incidence et d’émergence.
– Récession (de la calotte de saisonnière) : phase de retrait des dépôts saisonniers pendant le prin-
temps et l’été local due à leur ablation.
– Représentation de terrain : agencement des corps chimiques à la surface. Elle est composée
de trois types de mélange idéaux : en couches superposées, en couches juxtaposées (mélange
géographique) ou au sein d’une couche (voir section [Link] page 31).
– Spectel : élément discret de la dimension spectrale.
– Spectel chaud : spectel comportant un niveau anormalement haut de bruit.
– Spectel mort : spectel détruit.
– Spectre : flux d’énergie électro-magnétique décomposé en fréquence. Ce flux peut être normalisé
par le flux de la source. Dans un cube hyperspectral, un spectre est un ensemble de spectels à un
endroit donné.
– Spectre de référence : spectre représentatif d’un type de terrain (caractérisé par la présence d’une
espèce chimique particulière ou d’un mélange particulier) ou plus généralement d’un type de
spectre (incluant surface et atmosphère : présence de nuage, ...). Le spectre de référence est au
centre de la distribution des possibles spectres de sa classe (voir section 2.2 page 41).
– Spectre de référence extrême (ou “endmember” en anglais) : spectre de référence représentatif
d’un type de terrain, mais à la différence du spectre de référence, ce spectre est situé à un extrême
de la distribution des possibles spectres de sa classe. Partant du principe que tous les spectres
observés sont en fait un mélange de différents types de terrain, le spectre de référence extrême est
le plus pur (voir section 2.2 page 41).
– Température de brillance : température équivalente à celle du corps noir de même flux à une
longueur d’onde donnée en infrarouge proche.
– Unité de terrain : ensemble de spectres ayant une même représentation de terrain et des para-
mètres physiques quasi identiques. Une unité de terrain s’apparente à une unité géologique trans-
posée à la spectroscopie des surfaces planétaires.

193
Chapitre 10
Principales notations mathématiques

– Mathématique
X : quantité scalaire
X(λ , θ , ...) : fonction de λ , θ , ...
X : quantité vectorielle/matricielle/tensorielle ayant pour élément Xi, j,k,... . L’indice i correspond
aux lignes, j aux colonnes, ...
Id : matrice identité de dimension d
1d : vecteur unitaire en colonne ayant pour élément 1i (l’indice i correspond aux lignes)
– Angles
θi,r : angle zénithal d’incidence/émergence par rapport à la normale locale à la surface
θi,r : angle zénithal d’incidence/émergence par rapport à la normale locale du sphéroïde planétaire
Φi,r : angle azimutal d’incidence/émergence à la surface dans le plan de la surface locale
– Spectres (quantités physiques)
R (θi , θr , Φi , Φr , λ ) : fonction de réflectance bidirectionnelle (BRDF) d’une surface
Rdh (θi , Φi , λ ) : réflectance directionnelle-hémisphérique
A(λ ) : albédo d’une surface
Avis , AIR : albédo bolométrique dans le domaine visible, infrarouge thermique
I(λ ) : spectre d’une image hyperspectrale en radiance
L(λ ) : spectre d’une image hyperspectrale en facteur de radiance. Correction de l’énergie solaire
au sommet de l’atmosphère. L(λ ) = I(λ )/Fsun (λ )
R(λ ) : spectre d’une image hyperspectrale en réflectance. Correction de l’énergie solaire intercep-
tant la surface d’une planète R(λ ) = I(λ )/(Fsun (λ ). cos(θi ))
– Spectre appartenant à une classe “i” (toutes les quantités physiques de spectre sont possibles). Si
la classe représente une zone “z” en mélange géographique sub-pixel, elle sera notée par un indice
“z” à la place de “i”. Les indices “z” et “i” sont droit.
Mi (λ ) : spectre de référence de la classe “i”(M pour la moyenne)
Ei (λ ) : spectre de référence extrême de la classe “i” ( E pour “endmember”)
Si (λ ) : spectre quelconque appartenant à la classe “i”
fi (λ ) : une densité de probabilité de la classe “i”
– Cube hyperspectral (toutes les quantités physiques de spectre sont possibles)
Nx : nombre de pixel dans le plan horizontal dans la direction de la trace au sol du détecteur
(grande)
Ny : nombre de pixel dans le plan horizontal dans la direction orthogonale à la trace au sol du
détecteur (petite)
Nz : nombre de pixel total Nz = Nx + Ny , c’est aussi le nombre de spectre total
x, y : indices décrivant dans la dimension spatiale correspondante
z : indice décrivant les deux dimensions spatiales

195
CHAPITRE 10. PRINCIPALES NOTATIONS MATHÉMATIQUES

Nλ : nombre de spectel
λ : indice décrivant la dimension spectrale
Cx,y,λ : cube hyperspectral
Cz,λ : matrice correspondant au cube hyperspectral aplati dans les dimensions spatiales, nous avons
parfois utilisé sa transposée notée CTz,λ = Cλ ,z
S(λ ) : vecteur aléatoire modélisant un spectre quelconque
– Mélange spectral linéaire, séparation de source
Pi (λ ) : spectre source de référence de la classe i (du type Mi (λ ) , Ei (λ ), fi (λ ) ou quelconque)
Np : nombre de composante principale
Ns : nombre de source
αi : proportion de mélange du spectre
Ai (λ ) : vecteur de la matrice de mélange correspondant à la source “i”
– Probabilité
P : probabilité
hXi : moyenne de la quantité “X”
E(X) : espérance de la quantité “X”
Mn (X) : moment d’ordre n de la quantité “X” (parfois noté Mn pour simplifier la notation)
C umk (X) : cumulant d’ordre k de la quantité “X” (parfois noté C umk pour simplifier la notation)
M C n (X) : moment centré d’ordre n de la quantité “X” (parfois noté M C n pour simplifier la
notation).
V ar(X) : variance de la quantité “X” (parfois notée V ar pour simplifier la notation). C’est le
moment centré d’ordre 2.
M p1 ,p2 ,...,pN (X) : tenseur des moments croisés d’ordre N du vecteur aléatoire “X”.
C ov(X,Y ) : covariance des quantités “X” et “Y” (parfois notée C ov pour simplifier la notation).
C’est le moment centré d’ordre 2 croisé.
C um p1 ,p2 ,...,pN (X) : tenseur des cumulants croisés d’ordre N du vecteur aléatoire “X”.
– Statistiques et estimation
Toutes les notations précédentes peuvent être des variables aléatoires
Xb : estimateur de la quantité “X”
– Distance et norme
|a| : valeur absolue du scalaire “a”
kAk : norme euclidienne du vecteur A
∆ (A; B) : angle entre les vecteurs A et B

196
Chapitre 11
Sigles et acronymes

ACI : Analyse en Composante Indépendante

ACP : Analyse en Composante Principale
AFD : Analyse Factorielle Discriminante
BPSS : Bayesian Prior Source Separation
BRDF : Bidirectional Reflectance Distribution Function
BSS : Blind Source Separation
CBOE : Coherent Backscattering Opposition Effect
CRISM : Compact Reconnaissance Imaging Spectrometer for Mars
ESA : European Space Agency
ETR : Equation du Transfert Radiatif
GCM : Global Climate Model
GRS : Gamma Ray Spectrometer
HDDC : High Dimensional Data Clustering
HEND : High Energy Neutron Detector
IAS : Institut d’Astrophysique Spatiale
IFA : Independent Factor Analysis
JADE : Joint Approximate Diagonalisation of Eigenmatrices
K-ACP : Kernel - Analyse en Composante Principale
K-AFD : Kernel - Analyse Factorielle Discriminante
LIS : Laboratoire Image et Signaux
LMD : Laboratoire de Météorologie Dynamique
LPG : Laboratoire de Planétologie de Grenoble
MGM : Modified Gaussian Model
MGS : Mars Global Surveyor
MNF : Minimum Noise Fraction
MOLA : Mars Orbiter Laser Altimeter
MRO : Mars Reconnaissance Orbiter
NASA : National Aeronautics and Space Administration
NPLD : North Polar Layered Deposit
OMEGA : Observatoire pour la Minéralogie, l’Eau, les Glaces et l’Activité
PLD : Polar Layered Deposit
PNPC : Permanent North Polar Cap
PP : Projection Pursuit
PPI : Pixel Purity Index
PSPC : Permanent South Polar Cap
SAM : Spectral Angle Mapper
SFFTM : Spectral feature Fitting

197
CHAPITRE 11. SIGLES ET ACRONYMES

SHOE : Shadow Hiding Opposition Effect

SNPC : Seasonnal North Polar Cap
SNR : Signal to Noise Ratio
SPLD : South Polar Layered Deposit
SSPC : Seasonnal South Polar Cap
STIC : Sciences et Technologies de l’Information et de la Communication
SVD : Singular Decomposition Value
SVM : Support Vector Machine
TES : Thermal Emission Spectrometer
THEMIS : Thermal Emission Imaging System
USGS : United States Geological Survey

198
Chapitre 12
Rappels de Mathématiques

Ces rappels de Mathématiques sont formulés ici pour aider à la compréhension de cette thèse. Il
s’agit de rassembler diverses parties dispersées ici et là dans la littérature. Toutes les démonstrations
ne sont pas détaillées ici. J’invite le lecteur qui souhaite une vision plus approfondie à se tourner vers
des ouvrages communs. Le livre de Sapora en français est une très bonne introduction aux statistiques
(259). En probabilité, le livre de Papoulis en anglais est très complet (236). Il en existe bien évidemment
beaucoup d’autres.

12.1 Distance et norme

12.1.1 Axiomatique de la distance
[Link] Définition
Soit un ensemble M. Une distance d(A, B) est une application M × M → R qui vérifie les propriétés
suivantes pour A, B, C dans M :
La positivité :
d(A, B) > 0 (12.1)

La séparation :
d(A, B) = 0 ⇔ A = B (12.2)

La symétrie :
d(A, B) = d(B, A) (12.3)

L’inégalité triangulaire :
d(A, B) ≤ d(A,C) + d(B,C) (12.4)

L’ensemble M muni d’une distance d est un espace métrique.

[Link] Exemples
Dans l’ensemble R, la distance usuelle est définie comme :

d(A, B) = |A − B| (12.5)

Dans l’ensemble RN , la distance de Manhattan est la suivante :

N
d(A, B) = ∑ |Ai − Bi | (12.6)
i=1

199
CHAPITRE 12. RAPPELS DE MATHÉMATIQUES

Dans l’ensemble RN , la distance euclidienne est la suivante :

s
N
d(A, B) = ∑ (Ai − Bi )2 (12.7)
i=1

Dans l’ensemble RN , il est possible de généraliser les distances en introduisant la distance L p suivante :
s
N
d(A, B) = p
∑ (Ai − Bi ) p (12.8)
i=1

La distance L1 est la distance de Manhattan, la distance L2 est la distance euclidienne, la distance L∞ est
la distance d(A, B) = sup |Ai − Bi |.

12.1.2 Distance dans un espace vectoriel

[Link] Espace vectoriel
Un K espace vectoriel est un ensemble M muni de deux opérations vérifiant un certain nombre de
propriétés. Une opération interne M × M → M, notée + et appelée “addition”. Une opération externe
K × M → M, notée ∗ et appelée “multiplication scalaire”. En pratique K sera le corps R ou C. Ces
opérations doivent vérifier les propriétés suivantes pour A, B, C dans M et k, l dans K :

(A + B) = B + A (12.9)

A + (B +C) = (A + B) +C (12.10)
M possède un élément, noté 0 tel que
A+0 = 0+A = A (12.11)

A + (−1) ∗ A = 0 (12.12)

(1) ∗ A = A (12.13)

(1) ∗ A = A (12.14)

k ∗ (A + B) = k ∗ A + k ∗ B (12.15)
(k + l) ∗ A = k ∗ A + l ∗ A (12.16)
k ∗ (l ∗ A) = (k ∗ l) ∗ A (12.17)
Par exemple, l’ensemble R256 des données OMEGA est un R espace vectoriel. Pour condenser la
notation, les parenthèses inutiles et le signe * sont parfois omises.

[Link] Produit scalaire et norme

Dans un R espace vectoriel M, un produit scalaire est une application M × M → R, notée h.; .i, qui
vérifie les propriétés suivantes pour A, B, C dans M et k dans R :

hA; Bi = hB; Ai (12.18)

hA + B;Ci = hA;Ci + hB;Ci (12.19)
hA; kBi = k hB; Ai (12.20)
hA; Ai = kAk > 0 (12.21)
kAk = 0 ⇔ A = 0 (12.22)

200
 12.1. DISTANCE ET NORME

Inégalité de Cauchy-Schwartz Remarquons que pour tout k dans R :

hA + kB; A + kBi > 0 (12.23)

En développant :
hA; Ai + 2k hA; Bi + k2 hB; Bi > 0 (12.24)

L’égalité n’intervient que si A + kB = 0. Or un polynôme de degré 2 de signe constant a un discriminant

négatif d’où l’“inégalité de Cauchy-Schwartz” :

hA; Bi2 6 hA; Ai hB; Bi (12.25)

Cette inégalité permet de définir un angle, noté ∆, dans un espace à n dimensions, par son cosinus compris
entre 1 et -1 :

hA; Bi
−1 6 p p 61 (12.26)
hA; Ai hB; Bi

Exemple de norme l’ensemble RN est un R espace vectoriel dans lequel on peut définir naturellement
le produit scalaire suivant :
n
hA; Bi = ∑ Ai Bi = AT .B (12.27)
i=1

La norme euclidienne suivante, associée à ce produit scalaire, vérifie bien tous les axiomes de la distance :
s
p p N q
d(A, B) = kA − Bk = hA − B; A − Bi = ∑ (Ai − Bi )2 = (A − B)T .(A − B) (12.28)
i=1

Métrique Soit un R espace vectoriel M. Une “forme bilinéaire” B(A; B) est une application M×M → R
linéaire à gauche et à droite qui peut s’écrire de la forme suivante :
n n
B(A; B) = ∑ ∑ Ai .Mi j .B j = AT .M.B (12.29)
i=1 j=1

On peut montrer que l’ensemble des formes bilinéaires avec M symétrique, définie (rg(M) = dim(M))
et positive (valeurs propres toujours positives ou nulles) répondent aussi à la définition d’un produit
scalaire. La matrice M pondère l’espace, on appelle la “métrique”.
Par exemple, la métrique M = I correspond à l’espace euclidien usuel. La métrique de Mahalanobis en
d −1 0 .
statistique permet une renormalisation par la variance M = Cov(S) λ ,λ

[Link] Un angle est une distance sur une hypersphère

Soit le sous-ensemble de Rn , noté E, tel que kAk = 1 pour tout A dans Rn . Cet ensemble est souvent
noté hypersphère de dimension n ou n-hypersphère. Nous pouvons définir l’angle ∆ pour A, B dans E :
 
hA; Bi
∆ (A; B) = arccos (12.30)
kAk . kBk
Vérifions que l’angle ∆ est bien une distance :
– Positivité : l’angle ∆ est toujours positif car la fonction arccos a valeur dans R+ .
– Séparation : Prouvons cet axiome :

201
CHAPITRE 12. RAPPELS DE MATHÉMATIQUES

 
hA; Bi
∆ (A; B) = 0 ⇐⇒ arccos =0 (12.31)
kAk . kBk
hA; Bi
⇐⇒ =1 (12.32)
kAk . kBk
⇐⇒ hA; Bi = 1 (12.33)
⇐⇒ kAk + kBk − 2 hA; Bi = 0 (12.34)
Nous pouvons reconnaître l’équation 12.24 pour ∆ = −1. Dans ce cadre A + ∆B = 0 implique :

∆ (A; B) = 0 ⇐⇒ A = B (12.35)

– Symétrie : L’angle ∆ est bien symétrique il découle d’un produit scalaire h.; .i symétrique.
– Inégalité triangulaire :
d(A, B) ≤ d(A, C) + d(B, C) (12.36)
Cette inégalité n’a pas de démonstration courte. Dressons la méthodologie à suivre. Il faut d’abord
montrer que le chemin le plus court entre deux points sur une sphère unitaire est bien celui porté
par le produit vectoriel hA; Bi. En suite, il suffit de montrer que la distance sur une sphère unitaire
est l’angle en radian.

12.2 Espace vectoriel de dimension infinie

12.2.1 Ensemble de fonctions intégrables
Une fonction A(x) est intégrable, au sens de Lebesgue, si elle a la propriété suivante :

Z+∞
|A(x)| dx < +∞ (12.37)
−∞

L’ensemble de fonctions intégrables, au sens de Lebesgue, est noté L1 (R).

Dans cet ensemble L1 (R), deux fonctions A(x) et B(x) sont égales si elles diffèrent seulement sur des
points de mesure nulle :
Z+∞
|A(x) − B(x)| dx < 0 (12.38)
−∞

De la même manière l’intégrabilité peut être défini pour tous les ordres p :

Z+∞
|A(x)| p dx < +∞ (12.39)
−∞

Définissant ainsi les ensembles L p (R).

12.2.2 Espace des fonctions intégrables

[Link] Espace de Banach
Un ensemble de fonctions intégrables M muni d’une norme k.k est appelé espace de Banach.
Dans cet espace M, la convergence d’une suite de Cauchy {A(x)}n s’écrit :

lim {A(x)}n = A ⇔ lim k{A(x)}n − Ak = 0 (12.40)

n→+∞ n→+∞

Si toutes les suites de Cauchy convergent dans M, l’espace de Banach est dit “complet”.

202
 12.2. ESPACE VECTORIEL DE DIMENSION INFINIE

[Link] Espace de Hilbert

Un espace de Hilbert, noté H, est un espace de Banach M muni d’un produit interne, généralisation
du produit scalaire (voir annexe [Link]).
Par exemple le produit interne usuel, pour A, B dans M :
Z +∞
hA; Bi = A(x)B∗ (x)dx (12.41)
−∞

L’espace de Banach L2 (R) muni du produit scalaire usuel h ; i est un espace de Hilbert.
Les espaces de Hilbert sont la généralisation des espaces vectoriels en dimensions infinies. Ils per-
mettent d’étendre la définition de l’angle α (voir annexe [Link]).

12.2.3 Propriétés des espaces hilbertiens

Intéressons-nous à quelques propriétés des espaces hilbertiens réels (espace vectoriel sur le corps R).

[Link] Base
Une famille {en } de N éléments d’un espace hilbertien H est dite orthogonale si pour n 6= p :

hen ; e p i = 0 (12.42)

Une famille {en } est une base orthogonale de l’espace H s’il existe une série λ (n), pour tout élément
f de H tel que :
N
lim f − ∑ λ (n).en = 0 (12.43)
N→+∞
n=0

Un espace de Hilbert admettant une base orthogonale est dit “séparable”. L’espace L2 (R) est séparable.
L’orthogonalité implique la formule de reconstruction suivante :
+∞
h f ; en i
f= ∑ .en (12.44)
n=0 ken k

La base est dite orthonormale si ken k = 1 pour tout n de N.

Une base orthonormale admet la relation de Parseval :
+∞
h f ; gi = ∑ h f ; en i . hg; en i (12.45)
n=0

et la relation de Plancherel, à propos de la conservation de l’énergie :

+∞
k f k2 = ∑ |h f ; en i|2 (12.46)
n=0

[Link] Opérateur linéaire

Un opérateur linéaire T , d’un espace H1 dans H2 a les propriétés suivantes, pour tout a, b dans R,
tout f dans H1 et tout g dans H2 :

T (a f + bg) = aT ( f ) + bT (g) (12.47)

L’opérateur T ∗ “adjoint” de T , d’un espace H2 dans H1 est défini de cette manière :

hT f ; gi = h f ; T ∗ gi (12.48)

203
CHAPITRE 12. RAPPELS DE MATHÉMATIQUES

Si T ∗ T = T T ∗ , l’opérateur T est dit “normal”. Si T ∗ = T , l’opérateur T est dit “auto-adjoint”.

Un vecteur f non-nul de H1 est appelé vecteur propre, s’il existe une valeur propre λ dans R, telle
que :
Tf =λf (12.49)
Dans le cadre d’un espace à dimension finie, un opérateur auto-adjoint est toujours diagonalisable
dans une base orthogonale Ten = λn en .
En utilisant la formule de reconstruction, on obtient :
N N
Tf = ∑ hT f ; en i .en = ∑ λn h f ; en i .en (12.50)
n=1 n=1

Dans le cadre général des espaces de Hilbert H, ce résultat peut être généralisé en utilisant le spectre de
l’opérateur, une notion à manipuler avec précaution.

Projecteur Soit V un sous-espace de H. Un projecteur PV est un opérateur linéaire de H vers V tel que,
pour tout f dans H :
∀PV f ∈ V et ∀ f ∈ V, PV f = f (12.51)
Le projecteur est dit “orthogonal” si :

∀ f ∈ H et ∀g ∈ V, h f − PV f ; gi = 0 (12.52)

[Link] Isométrie
L’opérateur quelconque P de H dans H est une isométrie s’il conserve le produit interne :

∀ f , g ∈ H2 , hP f ; Pgi = h f ; gi (12.53)

et la norme :

∀ f ∈ H , kP f k = k f k (12.54)
Un opérateur isométrique transforme une base orthogonale en une base orthogonale car :

hPen ; Pe p i = hen ; e p i = 0 (12.55)

Dans le cadre d’un opérateur linéaire normale, l’isométrie est équivalente à P∗ = P−1 .
Un opérateur isométrique, ne change pas les angles :
 
hP f ; Pgi
∆ (P f ; Pg) = arccos = ∆( f ; g) (12.56)
kP f k . kPgk

12.3 Transformée en ondelette

Nos signaux sont modélisés par des fonctions d’énergie finie dans l’espace de Hilbert H muni de la
norme usuelle de l’espace L2 (R) de Banach et du produit scalaire usuel h ; i. De la manière identique à la
transformée de Fourier qui est une projection sur une base orthogonale construite à partir de sinus et de
cosinus, la transformée en ondelette est une projection dans un nouvelle base faite d’ondelettes. Chaque
ondelette est produite par une mise à l’échelle et un décalage d’une seule ondelette “mère” (203). En
conséquence, une ondelette est uniquement définie par une échelle “s” et une position “p”.
L’ondelette mère est définie comme :
– une fonction de l’espace de Banach :
Ψ ∈ L2 (R) (12.57)

204
 12.4. PROBABILITÉ ET STATISTIQUE

– de moyenne nulle :
Z +∞
Ψ(x)dx = 0 (12.58)
−∞

– centrée aux alentours de zéro t = 0

– et normée :
kΨk = 1 (12.59)

Elle est utilisée pour générer une famille de fonction : Ψs,p (x) = √1 Ψ( x−p )
s s
– qui peut être une base de L2 (R)
– qui peut avoir la propriété d’orthonormalité : ∀(s, p, s0 , p0 ), Ψs,p ; Ψs0 ,p0 = δs,s0 .δ p,p0
L’originalité des ondelettes réside dans le fait que chaque fonction de base est localisée. Au contraire,
une fonction sinus ou cosinus, définie par une période et une phase à l’origine, est non nulle sur le signal
entier.
La transformée en ondelette WE(s,p) du signal E(x) est :
Z +∞
1 x− p
W E(s, p) = hE, Ψs,p i = E(x) √ Ψ∗ ( )dx (12.60)
−∞ s s
Cette transformation est linéaire et peut être aussi écrite à l’aide du produit de convolution usuel :
Z +∞
1 x− p
W E(s, p) = E(x) √ Ψ∗ ( )dx = f ? Ψs (12.61)
−∞ s s

avec Ψs = √1s Ψ∗ ( −xs )

Il existe différentes classes d’ondelettes mère, chacune ayant des propriétés particulières (notamment
des non-bases et des non-orthogonalités).
J’ai choisi d’utiliser la famille d’ondelette orthonormale de Debauchie pour la méthode Wavanglet.
Cette transformation a été pensée dans le but de bénéficier d’un algorithme rapide (249). Elle est plus
rapide que les autres transformée en ondelette (34), ce qui lui confère un argument de taille pour la
détection et la classification de formes spectrales dans le cadre d’une grande collection d’observations.
De plus cette transformation est une isométrie, ce qui permet de calculer l’angle α, directement dans
l’espace des ondelettes W E(s, p), sans passer par une transformation inverse.

12.4 Probabilité et statistique

12.4.1 Probabilité d’une variable aléatoire
[Link] Axiomatiques

On définit un espace probabiliste comme une espace mesurable, la mesure de l’ensemble entier étant
1.
Soit une variable aléatoire X sur un espace support Ω dans R d’élément noté λ . La densité de proba-
bilité de X est fX (λ ) est définie à partir de la probabilité dP d’occurrence de X dans la tranche d’espace
[λ , λ + dλ ].
dP = P(λ ≤ X ≤ λ + dλ ) = fX (λ )dλ (12.62)

La fonction densité de probabilité est normée car la probabilité sur tout l’espace support est 1.
Soit vecteur aléatoire X sur un espace support Ω dans Rn d’élément noté λ . De la même manière, la
densité de probabilité de X, notée fX (λ ) est définie par :

dP = P(λ ≤ X ≤ λ + dλ ) = fX (λ )dλ (12.63)

205
CHAPITRE 12. RAPPELS DE MATHÉMATIQUES

Exemples de densité de probabilités Explicitons des densités de probabilités utilisées durant cette
thèse :
– Variable aléatoire gaussienne dépendant de deux paramètres µ, σ > 0 :

(λ − µ)2
 
1
fgaussienne (λ ) = N (µ, σ ) = √ exp − (12.64)
σ 2π 2σ 2

– Variable aléatoire de Laplace dépendant de deux paramètres µ, θ > 0 :

 
1 |λ − µ|
fLaplace (λ ) = L (µ, σ ) = exp − (12.65)
2θ θ

– Vecteur aléatoire gaussien dépendant du vecteur de moyenne µet de la matrice de covariance Σ :

 
1
fgaussienne (λ ) = N (µ, Σ) = (2π)n/2 |Σ|−1/2 exp − (λ − µ)T .Σ−1 .(λ − µ) (12.66)
2

– Gamma dépendant de deux paramètres α ≥, β > 0 :

( α !
β α−1 exp(−β λ ) λ ≥ 0
λ
fgamma (λ ) = G (µ, σ ) = Γ(α) (12.67)
0 otherwise

avec la fonction factorielle généralisée, notée gamma Γ(α) :

Z∞
Γ(α) = xα−1 e−x dx (12.68)
0

[Link] Espérance et moment

La moyenne hXi de la variable aléatoire X est l’intégration sur l’espace de la position affectée du
poids probabiliste. Z
hXi = λ fX (λ )dλ (12.69)
Ω

C’est l’espérance E(X) de la variable aléatoire X :

Z Z
E(X) = XdP = λ fX (λ )dλ = hXi (12.70)
Ω Ω

Soit g une fonction de Ω dans Ω0 . La variable aléatoire Y, définit comme Y = g(X), a pour densité de
probabilité fY (λ 0 ) avec λ 0 = g(λ ) un élément de Ω0 . La quantité conservée est la probabilité dans la
tranche d’espace (c’est la “consistance” propre à la théorie de la mesure et nécessaire pour l’inversion) :

fX (g−1 (λ 0 )) 0
dP = fX (λ )dλ = fY (λ 0 )dλ 0 = fY (g−1 (λ ))g0 (λ )dλ = dλ (12.71)
|g0 (g−1 (λ 0 ))|

Attention, la transformation g n’est pas toujours dérivable ni inversible ! Dans ce dernier cas, il faut
tenir compte de la duplicité des solutions. Le calcul de fY n’est pas toujours facile, cependant l’espérance
E(Y) de la variable aléatoire Y est très facile à déterminer grâce à la formule suivante :
Z
E(g(X)) = E(Y) = g(λ ) fX (λ )dλ (12.72)
Ω

Par extension de la moyenne hXi, on définit ainsi l’espérance E(g(X)) de la variable aléatoire g(X)
comme l’intégration sur l’espace, d’une fonction quelconque g(λ ) affectée de son poids probabiliste.

206
 12.4. PROBABILITÉ ET STATISTIQUE

En particulier, on peut définir l’espérance des fonctions puissance, que l’on appelle moment d’ordre
n, noté Mn (X) (ou Mn pour simplifier la notation) comme :
Z Z
Mn = E (Xn ) = Xn dP = λ n fX (λ )dλ (12.73)
Ω Ω

Le moment M0 d’ordre 0 vaut 1, le moment M1 d’ordre 1 est la moyenne hXi.

Les moments centrés M C n d’ordre n sont :
Z Z
M C n = E ((X − hXi)n ) = (X − hXi)n dP = (λ − hXi)n fX (λ )dλ (12.74)
Ω Ω

Le moment centré M C 0 d’ordre 0 vaut 1, le moment centré M C 2 d’ordre 2 est la “variance”, notée
V ar.

[Link] Fonctions caractéristiques

La fonction caractéristique φX (ω) de la variable aléatoire X est définie comme la transformée de
Fourier de fX (λ ), avec j2 = −1 :
Z
φX (ω) = E(exp( jωX)) = exp( jωλ ) fX (λ )dλ = F { fX (λ )} (12.75)
Ω
Ainsi la connaissance de φX (ω) est équivalente à celle de fX (λ ) ce qui peut être intéressant pour estimer
les densités de probabilité lors de changement de variable. Si la variable aléatoire X admet un moment
d’ordre k, alors la fonction caractéristique φX est k fois dérivable en zéro et on a la relation suivante :
Z  
(k)
φX (ω = 0) = (iλ )(k) fX (λ )dλ = j(k) E Xk = j(k) Mk (12.76)
Ω

On appelle φX la “fonction génératrice de moment”.

On peut définir aussi la fonction génératrice de cumulant ϕX de la variable aléatoire X par :
 
Z
ϕX (ω) = ln(φX ) = ln  exp( jωλ ) fX (λ )dλ  (12.77)
Ω

(k)
ϕX (ω = 0) = j(k) C umk (X) (12.78)
Souvent le cumulant C umk (X) d’ordre k sera noté C umk pour simplifier la notation.

12.4.2 Opérations sur deux variables aléatoires

[Link] Distribution jointe et indépendance
La “distribution jointe” est un vecteur aléatoire qui est la simple concaténation de plusieurs variables
aléatoires. La densité de probabilité de la distribution jointe de deux variables aléatoires X et Y est notée
fX,Y (λ , λ 0 ) et s’écrit :

dPX,Y = fX,Y (λ , λ 0 )dλ dλ 0 (12.79)

On peut montrer que la fonction densité de probabilité est bien normée, c’est à dire que la probabilité sur
tout l’espace support est bien 1.
Les deux variables aléatoires sont dites “indépendantes” si la probabilité conjointe dans la tranche
d’espace peut s’écrire sous la forme :

dPX,Y = dPX dPY = fX (λ ) fY (λ 0 )dλ dλ 0 (12.80)

207
CHAPITRE 12. RAPPELS DE MATHÉMATIQUES

[Link] Somme de deux variables aléatoires

La variable aléatoire Z=X+Y somme de deux variables aléatoires X et Y a pour densité de probabi-
lité :
Z
fZ (λ )dλ = fX,Y (λ − λ 0 , λ 0 )dλ 0 dλ (12.81)
Ω

Si X et Y sont indépendantes, nous pouvons écrire :

Z
fZ (λ )dλ = fX (λ − λ 0 ) fY (λ 0 )dλ 0 dλ = fX (λ 0 )F fY (λ 0 )dλ (12.82)
Ω

Avec le produit de convolution noté “ .F.”

[Link] Produit de deux variables aléatoires

La variable aléatoire Z=X.Y produit de deux variables aléatoires X et Y a pour densité de probabilité :

1
Z
λ
fZ (λ )dλ = fX,Y (λ 0 , 0 )dλ 0 dλ (12.83)
|λ 0 | λ
Ω

Si X et Y sont indépendantes, nous pouvons écrire :

1
Z
λ
fZ (λ )dλ = 0
fX (λ 0 ) fY ( 0 )dλ 0 dλ (12.84)
|λ | λ
Ω

[Link] Cumul de deux états de probabilités

Le cumul de deux états d’information représentés par deux variables aléatoires X et Y dans espace
support Ω d’élément noté λ est l’union des deux variables aléatoires :

dPX∪Y = dPX + dPY = fX∪Y (λ )dλ = ( fX (λ ) + fY (λ )) dλ (12.85)

L’opération de cumul d’état de probabilité est pratiqué par exemple quand toutes les variables aléa-
toires sont issues du même processus. Dans la construction classique d’un nuage de points, chaque oc-
currence est représentée d’un point. L’histogramme du nuage de points, c’est à dire la somme des occur-
rences dans une grille, décrit la variable aléatoire du processus.
Dans une construction plus avancée, chaque occurrence est une variable aléatoire qui représente un état
d’information, tenant à la fois compte des incertitudes de mesures et de l’occurrence. L’histogramme
dans ce cas-là deviendrait le cumul des états d’informations, c’est à dire la simple somme de chaque
variable aléatoire d’occurrence.

[Link] Conjonction de deux états de probabilités

La conjonction de deux états d’information représentés par deux variables aléatoires X et Y dans
espace support Ω d’élément noté λ est l’intersection entre deux variables aléatoires :

dPX dPY fX (λ ) fY (λ )
dPX∩Y = = fX∩Y (λ )dλ = dλ (12.86)
dP0 f0 (λ )

Le terme dP0 correspond à l’état d’information nulle qui n’est pas forcément une densité de probabilité
uniforme. L’état d’information nulle dépend de l’espace support.

208
 12.4. PROBABILITÉ ET STATISTIQUE

[Link] Distribution conditionnelle et théorème de Bayes

La distribution d’une variable aléatoire, notée X p Y, de X à la condition exprimée par la variable
aléatoire Y dans espace support Ω d’élément noté λ est :

dPX,Y fX,Y (λ , λ 0 )
fXpY (λ )dλ = dPXpY = = dλ (12.87)
dPY fY (λ 0 )

Parfois le terme fXpY (λ ) est noté f (λ |λ 0 ).

Le théorème de Bayes, basé sur la définition de la distribution conditionnelle, est le suivant :

fYpX (λ ) fX (λ )
fXpY (λ ) = (12.88)
fY (λ )

Vraisemblance La vraisemblance est introduite dans l’analyse de données. Il s’agit de P(D|M) l’état
de probabilité des données D sachant un modèle M paramétrique statistique.
Souvent, les paramètres du modèles ne sont pas connus (moyenne, variance,...). L’approche du maximum
de vraisemblance consiste à maximiser P(D|M) en ajustant les paramètres du modèle.
La solution explicite du maximum de vraisemblance pose des difficultés de calcul. L’algorithme
itératif d’Expectation/Maximisation permet de d’atteindre la solution d’un maximum local de la vrai-
semblance.
La première étape est l’expectation, c’est à dire l’évaluation de l’espérance E(D|M) pour un ensemble
de valeurs des paramètres du modèle M.
La seconde étape est la maximisation de l’espérance E(D|M).

[Link] Moments de deux variables aléatoires

On peut définir les moments, quantité tensorielle, dans le cadre de plusieurs variables aléatoires. En
particulier, on peut définir l’espérance des fonctions puissance, que l’on appelle moment Mn,p d’ordre
n+p , comme : Z
Mn,p = E (Xn Y p ) = λ n λ 0p fX,Y (λ , λ 0 )dλ dλ 0 (12.89)
Ω

Si les variables aléatoires sont indépendantes, nous pouvons écrire la relation suivante :

Mn,p = E (Xn Y p ) = E (Xn ) E (Y p ) = Mn,0 M0,p (12.90)

Les moments centrés M C n,p d’ordre n+p sont :
Z
M C n,p = E ((X − M1,0 )n (Y − M0,1 ) p ) = (λ − M1,0 )n (λ 0 − M0,1 ) p fX,Y (λ , λ 0 )dλ dλ 0 (12.91)
Ω

En particulier le moment centré M C 1,1 est appelé covariance.

Si les variables aléatoires sont indépendantes, nous pouvons écrire la relation suivante :

M C n,p = E ((X − M1,0 )n (Y − M0,1 ) p ) = E ((X − M1,0 )n ) E ((Y − M0,1 ) p ) = M C n,0 .M C 0,p
(12.92)
La covariance peut s’écrire de façon générale comme :

M C 1,1 = E ((X − M1,0 )(Y − M0,1 )) = E (X.Y) − E (X) E (Y) (12.93)

Si la covariance est nulle, on dit que les deux variables aléatoires X et Y sont “acorrélées” ou “dé-
corrélées”.
Si les deux variables aléatoires sont indépendantes, elles sont acorréles mais la réciproque n’est pas vrai.
On dit que deux variables aléatoires sont “orthogonales” si E (X.Y) = 0.

209
CHAPITRE 12. RAPPELS DE MATHÉMATIQUES

[Link] Fonctions caractéristiques de deux variables aléatoires

De la même manière que pour une variable aléatoire, on peut définir la fonction caractéristique gé-
nératrice des moments φX,Y de la distribution jointe de densité de probabilité fX,Y :

Z
0 0
exp( jωλ + jω 0 λ 0 ) fX,Y (λ , λ 0 )dλ dλ 0 = F fX,Y (λ , λ 0 )

φX,Y (ω, ω ) = E(exp( jωX + jω Y)) =
Ω
(12.94)
Les moments Mn,p d’ordre n + p peuvent être retrouvés à partir de :
∂ n∂ p
φX,Y (0, 0) = j(n+p) E (Xn Y p ) = j(n+p) Mn,p (12.95)
∂ ω n ∂ ω 0p
De manière identique, la fonction génératrice de cumulant est :

ϕX,Y (ω, ω 0 ) = ln φX,Y (ω, ω 0 )

(12.96)
Les cumulants C umn,p d’ordre n + p sont définis à partir de :

∂ n∂ p
ϕX,Y (0, 0) = j(n+p) C umn,p (12.97)
∂ ω n ∂ ω 0p
Pour deux variables aléatoires X et Y indépendantes, nous pouvons écrire la fonction caractéristique
de la distribution jointe :

φX,Y (ω, ω 0 ) = φX (ω).φY (ω 0 ) = F fX,Y (λ , λ 0 )


(12.98)
Et la seconde fonction caractéristique :

ϕX,Y (ω, ω 0 ) = φX (ω) + φY (ω 0 ) (12.99)

Si les variables aléatoires X et Y sont indépendantes, nous pouvons écrire la relation d’annulation
des cumulants croisés :

C umn,p = 0 | n 6= 0 et p 6= 0 (12.100)
Cette propriété est toujours vraie pour cumulant, même d’ordre supérieur.

12.4.3 Moment et cumulant

[Link] Fonctions caractéristiques de plusieurs variables aléatoires
Pour des vecteurs aléatoires X de N variables aléatoires, il est possible de définir un ensemble de
tenseurs d’ordre 0 à d’ordre N qui contiennent toutes les informations mutuelles jusqu’à l’ordre N.
Par exemple, à l’ordre 4, le “tenseur des moments croisés d’ordre 4” est définit comme :

Mn,p,q,r = E Xn1 X2 p Xq3 Xr4

(12.101)
La somme n + p + q + r = 4 est contrainte.
Il est possible de définir de tels tenseurs jusqu’à l’ordre N, la dimension du vecteur aléatoire X.
La fonction génératrice des moments est définie par :
Z
φX (ω) = E(exp( jω.XT )) = exp( jω.XT ) fX (λ )dλ = F { fX (λ )} (12.102)
Ω

Le tenseur des moments M p1 ,p2 ,...,pN d’ordre N associé à cette fonction est :
(∂ p1 ) (∂ p2 ) ... (∂ pN )
p1
p2
pN
φX (0) = j
(N)
M p1 ,p2 ,...,pN (12.103)
∂ ω1 ∂ ω1 ... ∂ ω1

210
 12.4. PROBABILITÉ ET STATISTIQUE

De manière identique, la fonction génératrice de cumulant est :

ϕX (ω) = ln (φX (ω)) (12.104)

Le tenseur des cumulants C um p1 ,p2 ,...,pN d’ordre N est défini à partir de :

(∂ p1 ) (∂ p2 ) ... (∂ pN )

ϕX (0) = j(N) C um p1 ,p2 ,...,pN (12.105)
∂ ω1p1 ∂ ω1p2 ... ∂ ω1pN

Dans le cas de variables aléatoires indépendantes, la densité de probabilité du vecteur aléatoire X

s’écrit :
N
fX (λ ) = ∏ fXi (λi ) (12.106)
i=1
La fonction génératrice de moment s’écrit :
N
φX (ω) = F { fX (λ )} = ∏ φXi (ωi ) (12.107)
i=1

La fonction génératrice de cumulant s’écrit :

N
ϕX (ω) = ln (φX (ω)) = ∑ ϕXi (ωi ) (12.108)
i=1

Le tenseur des cumulants C um p1 ,p2 ,...,pN , quel que soit son ordre, a la propriété suivantes :

C um p1 ,p2 ,...,pN = 0 |pi 6= 0 pour tout i (12.109)

Les cumulants croisés sont nuls.

[Link] Somme de variables aléatoires indépendantes

Somme de plusieurs variables aléatoires Soit X le vecteur aléatoire de N variables aléatoires indé-
pendantes, noté Xi . La variable aléatoire Z = ∑N
i=1 Xi a pour densité de probabilité :

fZ (λ ) = fX1 (λ1 )F fX2 (λ2 )F...F fXN (λN ) (12.110)

Avec le produit de convolution noté “ .F.”
La fonction caractéristique génératrice de moment de Z s’écrit :
N
φZ (ω) = ∏ φXi (ωi ) (12.111)
i=1

La fonction caractéristique génératrice de cumulant de Z s’écrit :

N
ϕZ (ω) = ln (φZ (ω)) = ∑ ϕXi (ωi ) (12.112)
i=1

Théorème central limite Le théorème central limite concerne la variable aléatoire X somme d’un
grand nombre de variables aléatoires indépendantes X = X1 +Xσ2√ +...+Xn
n
. Il peut s’écrire de la façon sui-
vante :

λ2
 
1
lim f (λ ) = √ exp − (12.113)
n→∞ X 2π 2
Quand le nombre de variables aléatoires tend vers l’infini, la variable aléatoire somme a une densité
de probabilité qui tend vers une gaussienne.
Ce théorème est vrai pour les variables aléatoires Xn ayant des moyennes et variances convergentes.
On parle alors de “bassin d’attractivité gaussien”.

211
CHAPITRE 12. RAPPELS DE MATHÉMATIQUES

12.4.4 Statistique et estimation

La densité de probabilité n’est pas mesurable directement dans la Nature, seul un ensemble d’occur-
rence de la variable est disponible. Pour avoir accès à des informations sur la densité de probabilité nous
devons effectuer une estimation. Par exemple, la moyenne, qui est un indicateur de la densité de probabi-
lité (moment d’ordre 1) doit être estimé à partir des données mesurées. Un estimateur de la quantité “Q”
va être noté “Q”,
b une occurrence particulière va être notée “Qi ”. On considère que toutes les occurrences
sont indépendantes.
L’estimateur hXi
d usuel de la moyenne de la variable aléatoire X est défini comme :

n
Xi
µ=∑ (12.114)
i=1 n

L’estimateur usuel de la covariance C

d ov(X, Y) entre les variables aléatoires X et Y est défini comme :
n
(Xi − hXi)(Y
d i − hYi)
d
σ (X, Y) = ∑ (12.115)
i=1 n−1

Propriétés des estimateurs Un estimateur doit comporter les propriétés suivantes :

– Convergent : convergence vers la quantité probabiliste quand le nombre de mesure tend vers l’in-
fini : Z
b = QdP = E(Q)
lim Q (12.116)
n→∞
Ω
Par exemple pour la moyenne :
n
Qi
Z
lim hQi
d = lim
∑n= QdP = E(Q) (12.117)
n→∞ n→∞
i=1
Ω

– Non biaisé : Espérance mathématique de l’estimateur doit être convergente vers la quantité proba-
biliste indépendemment du nombre de mesure :
b =Q
E(Q) (12.118)

– Efficace : La convergence vers la quantité probabiliste doit être la plus rapide possible :
 
lim E (Q − Q)b 2 =0 (12.119)
n→∞

Les estimateurs µ et σ comportent bien ces trois propriétés des estimateurs. Nous allons donc identifier
d , σ (X, X) = Vd
µ = hXi ar(X) et σ (X, Y) = Cdov(X, Y).

12.4.5 Distance entre variables aléatoires

La distance au sens mathématique pour comparer des distributions de probabilités fX (λ ) et fY (λ )
des variables aléatoires X et Y. Il en existe plusieurs (171), détaillons ici les plus courantes :
La “divergence de Kullback-Liebler” K ( fX (λ ), fY (λ )) n’a pas toute les propriétés d’une distance,
notamment, elle n’est pas symétrique. Elle s’écrit :

fX (λ )
Z
K ( fX (λ ), fY (λ )) = fX (λ ) ln dλ (12.120)
fY (λ )
Ω

La “divergence symétrisée de Kullback-Liebler” KS ( fX (λ ), fY (λ )) s’écrit :

KS ( fX (λ ), fY (λ )) = K ( fX (λ ), fY (λ )) + K ( fY (λ ), fX (λ )) (12.121)

212
 12.4. PROBABILITÉ ET STATISTIQUE

La “distance de Bhattacharyya” s’écrit :

Z p
B ( fX (λ ), fY (λ )) = − ln fX (λ ). fY (λ )dλ (12.122)
Ω
La “distance de Mahalanobis” s’écrit uniquement en fonction des moments d’ordre inférieurs à 2 :
s
(V ar(X) − V ar(Y))2
M ( fX (λ ), fY (λ )) = (12.123)
C ov(X, Y)
La “distance de Jeffreys-Matusita” s’écrit :
v
uZ p p 2
JM ( fX (λ ), fY (λ )) = t fY (λ ) − fX (λ ) dλ (12.124)
u

12.4.6 Entropie, néguentropie et information mutuelle

Entropie L’entropie S ( fX (λ )), introduite par Shannon (267), est une mesure de la quantité d’informa-
tion contenue dans une variable aléatoire X de densité de probabilité fX (λ ). Elle s’écrit :
Z
S ( fX (λ )) = − fX (λ ) ln fX (λ )dλ (12.125)
Ω

On peut montrer qu’un vecteur aléatoire, à moyenne et matrice de covariance fixée, maximisant l’entro-
pie, est de forme gaussienne. La démonstration peut se faire par des multiplicateurs de Lagrange.

Néguentropie La néguentropie J ( fX (λ )) est une mesure du déficit d’information par rapport à l’état
maximum gaussien. Introduisons la variable aléatoire Xg qui est le vecteur aléatoire gaussien de même
moment d’ordre 1 (moyenne) et 2 (variance) que la variable aléatoire X. La néguentropie s’écrit comme
suit :


J ( fX (λ )) = S fXg (λ ) − S ( fX (λ )) = K fX (λ ), fXg (λ ) (12.126)
La seconde égalité indique qu’il est possible d’écrire la néguentropie à l’aide de la divergence de
Kullback-Liebler qui s’approche d’une distance entre distribution. La néguentropie dépend uniquement
des statistiques à l’ordre supérieur à 2.

Information mutuelle Soit un vecteur aléatoire X de densité de probabilité fX (λ ) de dimension Nz . Si

ce vecteur aléatoire est formé de variables aléatoires Xi de densité de probabilité fXi (λi ) indépendantes,
la densité de probabilité devrait s’écrire :
Nz
fX (λ ) = ∏ fXi (λi ) (12.127)
i=1

On appelle information mutuelle I ( fX (λ )), la divergence de Kullback-Liebler entre la densité de proba-

bilité fX (λ ) et celle que dans le cas indépendant.
!
Nz
I ( fX (λ )) = K fX (λ ), ∏ fXi (λi ) (12.128)
i=1

L’information mutuelle est nulle si les variables sont indépendantes.

On peut écrire l’information mutuelle en fonction du vecteur aléatoire Xg qui est le vecteur aléatoire
gaussien de même moment d’ordre 1 (moyenne) et 2 (variance) que la variable aléatoire X :

Nz
I ( fX (λ )) = I fXg (λ ) + J ( fX (λ )) + ∑ J ( fXi (λi )) (12.129)
i=1

213
CHAPITRE 12. RAPPELS DE MATHÉMATIQUES

Le premier terme de la somme peut être calculé en fonction de la matrice de variance/covariance :

1 ∏Nz C ov(X)i,i
I fXg (λ ) = ln i=1 (12.130)
2 det [C ov(X)i, j ]

Les autres termes sont issus de statistiques à l’ordre supérieur à 2.

12.5 Malédiction de la dimensionnalité

L’analyse des données en grande dimension est sujette à la malédiction de la dimensionnalité. Dif-
férents auteurs se sont penchés sur cette question, par exemple Donoho (61) (disponible en ligne1 ). Plus
spécifiquement, la malédiction de la dimensionnalité a été étudiée dans le cadre des images hyperspec-
trales. Une partie de la thèse de Marc Lennon (186) traite de ce sujet. Aussi, quelques chapitres du livre
de Landgrebe comportent des bonnes présentations du problème (171). Seuls quelques points clefs sont
exposés dans cette section.

12.5.1 Complexité de la mesure en grande dimension

La “complexité de la mesure” C est le nombre de valeurs discrètes que peut prendre une variable
dans un espace support. Pour un spectre d’une image hyperspectrale, la complexité de la mesure, est le
nombre de spectres différents qu’il est possible d’enregistrer dans un cube Cz,λ . La complexité est définie
comme :
C = dynNλ (12.131)
Avec dyn, la dynamique des données pour chaque canal spectral et Nλ le nombre de canaux spectraux.
Voici des estimations de la complexité de la mesure pour deux cas extrêmes : une image scalaire
codée en 8 bits a une dynamique de dyn = 28 d’où C = 28 ' 102 .

256
Une image OMEGA, codée en 16 bits, a une dynamique de dyn = 216 d’où C = 216 ' 101233 .
La complexité de la mesure est à comparer avec les dimensions spatiales des images, c’est à dire le
nombre total de pixels Nz .
Dans le cadre d’une image de fond d’écran de résolution 1024 × 768, Nz ' 107 . Une image OMEGA
typique a une résolution de 256 × 1000, Nz ' 106 . L’ensemble de tous les spectres observés par OMEGA
est de l’ordre de Nz ' 109 .
La comparaison de la complexité de la mesure et de la taille réelle d’une image noir et blanc montre
qu’il est possible d’échantillonner l’espace des possibles avec une seule image.
Une image hyperspectrale, voire d’une base de données complète d’imagerie hyperspectrale, a un espace
profondément vide. Si tous les spectres de la base de données OMEGA étaient différents, il faudrait
101224 bases de données pour échantillonner toutes les valeurs possibles !

12.5.2 Classification en grande dimension

La classification statistique en grande dimension peut se faire d’après différents ordres.
Au premier ordre, on s’intéresse à la distance par rapport à la moyenne de la classe (voir section [Link]
page 66). q
d(x, hSi i ) = x − hSi i = (x − hS T
i i ) .(x − hSi i ) (12.132)
d d d d
λ λ λ λ

En ajoutant le second ordre, on s’intéresse aussi à la variabilité spectrale avec la matrice de covariance
C
d ov(Si )−1
λ ,λ 0 (voir section [Link] page 67). Dans ce cas, la distance s’écrit :

 2 1 1 T  
d x, hS
d i iλ = − ln C
d ov(Si )λ ,λ 0 − x − hS
d i iλ .C
d ov(Si )−1
λ ,λ 0 . x − hS
d i iλ (12.133)
2 2
1 http ://[Link]/~donoho/Lectures/AMS2000/[Link]

214
 12.5. MALÉDICTION DE LA DIMENSIONNALITÉ

F IG . 12.1 – Comportement de la classification d’ordre 1 et 2 face à la malédiction de dimensionnalité

(d’après (181)).

Pour étudier le comportement de ces deux classifieurs face à la malédiction de la dimensionnalité,

une étude de cas a été effectuée par Lee et al. (181). L’échantillon des mesures consiste en 6660 spectres
de terrains répartis en 12 classes parfaitement connues. L’échantillon d’apprentissage consiste en à un
tirage aléatoire de 100 spectres par classe. La dimension spectrale est Nλ = 60.
Trois expériences ont été réalisées, pour les données en dimension spectrale évoluant de l’espace
initial (Nλ = 60) jusqu’à Nλ = 1 en moyennant successivement les canaux adjacents :

1. Classification au premier ordre : avec le classifieur de l’équation 12.132.

2. Classification aux premier et second ordres : avec le classifieur de l’équation 12.133.
3. Classification au second ordre uniquement : avec le classifieur de l’équation 12.133. Pour éliminer
le premier ordre, l’échantillon de test a été centré pour toutes les classes (la moyenne est nulle
hS
d i iλ = 0λ ).

Les résultats de ce test sont représentés dans le graphique 12.1 en terme de taux de classification correcte.
Pour la méthode à l’ordre 1 uniquement, le taux de classification correcte sature à partir d’une certaine
dimension.
Pour la méthode à l’ordre 1 et 2 , le taux de classification correcte augmente avec la dimension.
Pour la méthode à l’ordre 2 uniquement, le taux de classification correcte augmente avec la dimension.
Cette observation confirme que l’ordre 2 est bien seule responsable de l’augmentation du taux de classi-
fication correcte avec la dimension.
Cette étude montre que les classifications statistiques ont une dépendance à la dimension spectrale,
fortement modulée par l’ordre de la méthode de classification. Les classifications déterministes (au pre-
mier ordre), c’est à dire les classifications manuelles (voir section 3.1 page 61) et les classifications
automatiques qui nécessitent une base spectrale de référence (voir section 3.2.2 page 65), sont donc
moins efficaces que les classifications statistiques utilisant les ordres supérieurs.

12.5.3 Phénomène de Hughes

Le phénomène de Hughes consiste en la transposition de la malédiction de dimensionnalité à un
problème de classification statistique de type bayésien. Cette section ne présente pas les détails des
travaux de Hughes mais se focalise sur les implications pour la classification d’images hyperspectrales.
L’étude de Hughes consiste à calculer la précision moyenne de la classification pour un problème
à 2 classes en fonction de 3 paramètres : la complexité de la mesure C (voir annexe 12.5.1), le nombre
d’échantillons d’apprentissage m, et la probabilité a priori pi des classes i (125). La démonstration ma-
thématique a été complété par Abend et al. (2) mais ces améliorations ne changent pas les conclusions
majeures.

215
CHAPITRE 12. RAPPELS DE MATHÉMATIQUES

F IG . 12.2 – Phénomène de Hughes pour deux classes équiprobables (d’après (125)).

La figure 12.2 montre les résultats majeurs de l’étude pour deux classes équiprobables.
Le taux de classification correcte dépend de la complexité de la mesure et comporte un optimum. Pour
une complexité de la mesure plus faible ou plus forte que l’optimum (une dimension spectrale différente
de l’optimum), le taux de bonne classification décroît.
L’optimum se fait à une complexité de la mesure (une dimension spectrale) qui est une fonction croissante
de m, le nombre d’échantillon d’apprentissage.
Ces résultats sont interprétables de cette manière : à trop faible dimension C  m, la classification
est mauvaise car la séparabilité des classes est faible. A trop grande dimension C  m, l’espace est
vide et l’estimation statistique est mauvaise. Il existe donc un optimum du nombre de dimension pour la
classification.
D’un point de vue statistique, l’objet des méthodes de réduction de dimensionnalité est d’atteindre
l’optimum de la complexité de la mesure, ou du nombre de dimension spectrale, pour permettre la
meilleure classification.

12.6 Les fractales

La symétrie d’échelle, introduite par Mandelbrot en 1967, étend la notion de symétrie aux objets
fractaux (204).
Ces objets sont décrits par la loi d’échelle, qui relie une mesure M(λ ) faite à l’échelle quelconque λ ,
à une mesure de référence M(λ0 ) faite à l’échelle λ0 . Cette loi s’écrit :

λ H
M(λ ) = M(λ0 ).( ) (12.134)
λ0
Avec H est l’exposant de Hurst ou dimension de Hausdorff.
Pour un profil, la dimension fractale est définie comme D = 2 − H. Pour une surface, respectivement un
volume, la dimension fractale est définie comme D = 3 − H, respectivement D = 4 − H.
Dans son article célèbre, Mandelbrot montre que la côte bretonne suit une loi d’échelle et a une
dimension entre 1 et 2 (204). Dans cet exemple géométrique, la mesure M(λ ) est le nombre de disque de
rayon λ nécessaire pour couvrir entièrement la figure de la côte. La côte bretonne, représentée sur une
carte (2D), nécessite un nombre de disques pour recouvrir la surface augmentant exponentiellement avec
l’échelle.
D’autres objets géométriques peuvent suivre des lois d’échelles, par exemple des figures géomé-
triques que l’on peut construire mathématiquement sur un ordinateur.
Des objets non-géométriques peuvent aussi suivre des loi d’échelles, par exemple des distributions
statistiques. Dans ce cas, la mesure M(λ ) est une probabilité à une certaine échelle. Par exemple en éco-
nomie, la distribution des salaires suit une loi d’échelle, avec M(λ ) la probabilité de toucher un salaire

216
 12.6. LES FRACTALES

de λ . Ces lois statistiques sont des lois puissances dont aucun moment converge. On parle de “hasard
sauvage” car les évènements extrêmes, c’est à dire les ailes de la distribution, sont dominants. La modé-
lisation et l’usage de telles lois n’est pas pratique.
Dans certains cas, la probabilité n’est pas connue mais seulement la variance, ou un autre indicateur sta-
tistique. Ces indicateurs, calculés à une échelle particulière peuvent aussi suivre une symétrie d’échelle.
On dira que la distribution est monofractale si tous les moment suivent la même loi d’échelle - avec le
même exposant de Hurst H - ou multifractale si les moments d’ordre q suivent une loi d’échelle avec un
exposant H(q) (91).

217
Chapitre 13
Article présentant la méthode Wavanglet dans
IEEE Transaction in Geoscience and Remote
Sensing

219
Chapitre 14
Article présentant la méthode BPSS
appliquée aux données OMEGA dans
Neurocomputing

221
Chapitre 15
Article présentant le modèle de la récession
de la calotte saisonnière Sud de Mars

223
Bibliographie

[1] ENVI User’s Guide, ch. 9 : Spectral Tools, pp. 615–686, Research Systems, 2000.

[2] K. Abend, T. Harley, B. Chandrasekaran, and G. Hughes, Comments on ’on the mean accuracy
of statistical pattern recognizers’ by hughes, g. f., Information Theory, IEEE Transactions on 15
(1969), no. 3, 420–423.

[3] Sophie Achard, Mesures de dépendance pour la séparation aveugle de sources, Ph.D. thesis, Uni-
versité Joseph Fourier - Grenoble I, 2003.

[4] O. Aharonson, Sublimation at the Base of a Seasonal CO2 Slab on Mars, Lunar and Planetary
Institute Conference Abstracts (S. Mackwell and E. Stansbery, eds.), March 2004, pp. 1918–+.

[5] O. Aharonson and N. Schorghofer, Subsurface ice on Mars with rough topography, Journal of
Geophysical Research (Planets) 111 (2006), 11007–+.

[6] O. Aharonson, M. T. Zuber, and G. A. Neumann, Second Order Statistics of Topography of the
Northern Hemisphere of Mars from MOLA, Lunar and Planetary Institute Conference Abstracts,
March 1999, pp. 1792–+.

[7] O. Aharonson, M. T. Zuber, and D. H. Rothman, Statistics of Mars’ topography from the Mars
Orbiter Laser Altimeter : Slopes, correlations, and physical models, Journal of Geophysical Re-
search 106 (2001), 23723–23736.

[8] O. Aharonson, M. T. Zuber, D. E. Smith, G. A. Neumann, W. C. Feldman, and T. H. Prettyman,

Depth, distribution, and density of CO2 deposition on Mars, Journal of Geophysical Research
(Planets) 109 (2004), 5004–+.

[9] M. Allison and M. McEwen, A post-Pathfinder evaluation of areocentric solar coordinates with
improved timing recipes for Mars seasonal/diurnal climate studies, Planetary and Space Science
48 (2000), 215–235.

[10] Pascal Ludwig Anouk Barberousse, Max Kistler, La philosophie des sciences au xxe siècle,
Champs Université - Flammarion, 2000.

[11] E. Arzuaga-Cruz, L. O. Jiménez-Rodríguez, and M. Vélez-Reyes, Unsupervised feature extrac-

tion and band subset selection techniques based on relative entropy criteria for hyperspectral
data analysis, Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral
Imagery IX. Edited by Shen, Sylvia S. ; Lewis, Paul E. Proceedings of the SPIE, Volume 5093,
pp. 462-473 (2003). (S. S. Shen and P. E. Lewis, eds.), September 2003, pp. 462–473.

[12] H. Attias, Independent factor analysis, Neural Computation 11 (1999), no. 4, 803–851.

225
BIBLIOGRAPHIE

[13] J. Aumont and J. F. Macías-Pérez, Blind component separation for polarized observations of the
cosmic microwave background, Monthly Notices of the Royal Astronomical Society 376 (2007),
739–758.

[14] R.T. Austin, A.W. England, and G.H. Wakefield, Special problems in the estimation of power-law
spectra as applied to topographical modeling, Geoscience and Remote Sensing, IEEE Transac-
tions on 32 (1994), no. 4, 928–939.

[15] J. L. Bandfield, V. E. Hamilton, and P. R. Christensen, A Global View of Martian Surface Compo-
sitions from MGS-TES, Science 287 (2000), 1626–1630.

[16] Jeffrey D. Banfield and Adrian E. Raftery, Model-based gaussian and non-gaussian clustering,
Biometrics 49 (1993), 803–821.

[17] A. Baraldi and L. Bruzzone, Classification of high spatial resolution images by means of a Gabor
wavelet decomposition and a support vector machine, Optics in Atmospheric Propagation and
Adaptive Systems VII. Edited by Gonglewski, John D. ; Stein, Karin. Proceedings of the SPIE,
Volume 5573, pp. 19-29 (2004). (L. Bruzzone, ed.), November 2004, pp. 19–29.

[18] A. Baraldi, L. Bruzzone, P. Blonda, and L. Carlin, Badly posed classification of remotely sensed
images-an experimental comparison of existing data labeling systems, Geoscience and Remote
Sensing, IEEE Transactions on 44 (2006), no. 1, 214–235.

[19] Ann Bateson and Brian Curtiss, A method for manual endmember selection and spectral unmixing,
Remote Sensing of Environment 55 (1996), no. 3, 229–243.

[20] C.A. Bateson, G.P. Asner, and C.A. Wessman, Endmember bundles : a new approach to incor-
porating endmember variability into spectral mixture analysis, Geoscience and Remote Sensing,
IEEE Transactions on 38 (2000), no. 2, 1083–1094.

[21] J. F. Bell, W. M. Calvin, M. E. Ockert-Bell, D. Crisp, J. B. Pollack, and J. Spencer, Detection and
monitoring of H2 O and CO2 ice clouds on Mars, Journal of Geophysical Research 101 (1996),
9227–9238.

[22] J.A. Benediktsson, J.R. Sveinsson, and K. Amason, Classification and feature extraction of aviris
data, Geoscience and Remote Sensing, IEEE Transactions on 33 (1995), no. 5, 1194–1205.

[23] J.A. Benediktsson, P.H. Swain, and O.K. Ersoy, Neural network approaches versus statistical
methods in classification of multisource remote sensing data, Geoscience and Remote Sensing,
IEEE Transactions on 28 (1990), no. 4, 540–552.

[24] J. L. Benson and P. B. James, Yearly comparisons of the martian polar caps : 1999-2003 Mars
Orbiter Camera observations, Icarus 174 (2005), 513–523.

[25] J. Bibring, Y. Langevin, F. Poulet, A. Gendrin, B. Gondet, M. Berthé, A. Soufflot, P. Drossart,

M. Combes, G. Bellucci, V. Moroz, N. Mangold, B. Schmitt, and t. OMEGA team, Perennial
water ice identified in the south polar cap of Mars, Nature 428 (2004), 627–630.

[26] J.-P. Bibring, A. Soufflot, M. Berthé, Y. Langevin, B. Gondet, P. Drossart, M. Bouyé, M. Combes,
P. Puget, A. Semery, G. Bellucci, V. Formisano, V. Moroz, V. Kottsov, G. Bonello, S. Erard,
O. Forni, A. Gendrin, N. Manaud, F. Poulet, G. Poulleau, T. Encrenaz, T. Fouchet, R. Melchiori,
F. Altieri, N. Ignatiev, D. Titov, L. Zasova, A. Coradini, F. Capacionni, P. Cerroni, S. Fonti,
N. Mangold, P. Pinet, B. Schmitt, C. Sotin, E. Hauber, H. Hoffmann, R. Jaumann, U. Keller,
R. Arvidson, J. Mustard, and F. Forget, OMEGA : Observatoire pour la Minéralogie, l’Eau, les
Glaces et l’Activité, pp. 37–49, ESA SP-1240 : Mars Express : the Scientific Payload, August
2004.

226
 BIBLIOGRAPHIE

[27] R. Bintanja, On the glaciological, meteorological, and climatological significance of antarctic

blue ice areas, Reviews of Geophysics 37 (1999), 337–360.

[28] J.W. Boardman, F. A. Kruse, and R. O. Green, Mapping target signatures via partial unmixing of
AVIRIS data : in Summaries, Fifth JPL Airborne Earth Science Workshop, JPL Publication 95-1,
vol. 1, March 1995, pp. 23–26.

[29] Nicolas Bonnefoy, Développement d’un spectro-goniomètre pour l’étude de la réflectance bidi-
rectionnelle de surfaces géophysiques. application au soufre et perspectives pour le satellite io.,
Ph.D. thesis, Université Joseph Fourier - Grenoble I, 2001.

[30] H. M. Böttger, S. R. Lewis, P. L. Read, and F. Forget, The effects of the martian regolith on GCM
water cycle simulations, Icarus 177 (2005), 174–189.

[31] C. Bouveyron, S. Girard, and C. Schmid, High-Dimensional Data Clustering, ArXiv Mathematics
e-prints (2006).

[32] W. V. Boynton, W. C. Feldman, S. W. Squyres, T. H. Prettyman, J. Brückner, L. G. Evans, R. C.

Reedy, R. Starr, J. R. Arnold, D. M. Drake, P. A. J. Englert, A. E. Metzger, I. Mitrofanov, J. I.
Trombka, C. d’Uston, H. Wänke, O. Gasnault, D. K. Hamara, D. M. Janes, R. L. Marcialis,
S. Maurice, I. Mikheeva, G. J. Taylor, R. Tokar, and C. Shinohara, Distribution of Hydrogen in the
Near Surface of Mars : Evidence for Subsurface Ice Deposits, Science 297 (2002), 81–85.

[33] G. N. Jr. Brown and W. T. Ziegler, Vapor pressure and heats of vaporization and sublimation of
liquids and solids of interest in cryogenics below 1-atm pressure, Advences in Cryogenic Engi-
neering 25 (1979), 662–670.

[34] L. M. Bruce and J. Li, Fast wavelet-based algorithms for multiresolutional decomposition and
feature extraction of hyperspectral signatures, Proc. SPIE Vol. 3717, p. 72-81, Algorithms for
Multispectral and Hyperspectral Imagery V, Sylvia S. Shen ; Michael R. Descour ; Eds., July 1999,
pp. 72–81.

[35] S. Byrne and A. P. Ingersoll, A Sublimation Model for Martian South Polar Ice Features, Science
299 (2003), 1051–1053.

[36] S. Byrne and M. T. Zuber, Landscape Evolution and the Reincarnation of the Southern Residual
Ice Cap, LPI Contributions 1323 (2006), 8035–+.

[37] B. A. Campbell, R. R. Ghent, and M. K. Shepard, Limits on inference of Mars small-scale topo-
graphy from MOLA data, Geophysical Research Letters 30 (2003), 15–1.

[38] W. W. Campbell, The Spectrum of Mars, Publications of the Astronomical Society of the Pacific
6 (1894), 228–+.

[39] , The Irregular Waning of the South Polar CAP of Mars, Publications of the Astronomical
Society of the Pacific 7 (1895), 40–+.

[40] G. Camps-Valls and L. Bruzzone, Kernel-based methods for hyperspectral image classification,
Geoscience and Remote Sensing, IEEE Transactions on 43 (2005), no. 6, 1351–1362.

[41] G. Camps-Valls, L. Gomez-Chova, J. Munoz-Mari, J. Vila-Frances, and J. Calpe-Maravilla, Com-

posite kernels for hyperspectral image classification, Geoscience and Remote Sensing Letters,
IEEE 3 (2006), no. 1, 93–97.

[42] J.-F. Cardoso, Infomax and maximum likelihood for blind source separation, Signal Processing
Letters, IEEE 4 (1997), no. 4, 112–114.

227
BIBLIOGRAPHIE

[43] S. Chandrasekhar, Radiative transfer, New York : Dover, 1960, 1960.

[44] C. H. Chen and Z. Wang, An overview of ICA (independent component analysis) applications
in remote sensed data, Optics in Atmospheric Propagation and Adaptive Systems VIII. Edited
by Stein, Karin ; Kohnle, Anton. Proceedings of the SPIE, Volume 5982, pp. 176-190 (2005).
(L. Bruzzone, ed.), October 2005, pp. 176–190.

[45] C.-H. Chen and X. Zhang, Independent component analysis for remote sensing study, Proc. SPIE
Vol. 3871, p. 150-158, Image and Signal Processing for Remote Sensing V, Sebastiano B. Serpico ;
Ed. (S. B. Serpico, ed.), December 1999, pp. 150–158.

[46] A. F. Cheng and D. L. Domingue, Radiative transfer models for light scattering from planetary
surfaces, Journal of Geophysical Research 105 (2000), 9477–9482.

[47] R. N. Clark, A. J. Gallagher, and G. A. Swayze, Material absorption band depth mapping of
imaging spectrometer data using the complete band shape leastsquares algorithm simultaneously
fit to multiple spectral features from multiple materials, Proceedings of the Third Airborne Vi-
sible/Infrared Imaging Spectrometer (AVIRIS) Workshop, JPL Publication 90-54, 1990, pp. 176–
186.

[48] R. N. Clark and T. L. Roush, Reflectance spectroscopy - Quantitative analysis techniques for
remote sensing applications, Journal of Geophysical Research 89 (1984), 6329–6340.

[49] R. N. Clark, G. A. Swayze, R. Wise, K. E. Livo, T. M. Hoefen, R. F. Kokaly, and S. J. Sutley,

Usgs digital spectral library splib05a, Tech. report, U.S. Geological Survey, 2003.

[50] M. V. Coifman, R. [Link] Wickerhauser, Entropy-based algorithms for best basis selection, IEEE
Transactions on Information Theory 38 (1992), 713–718.

[51] A. Colaprete, J. R. Barnes, R. M. Haberle, J. L. Hollingsworth, H. H. Kieffer, and T. N. Titus,

Albedo of the south pole on Mars determined by topographic forcing of atmosphere dynamics,
Nature 435 (2005), 184–188.

[52] A. Colaprete and O. B. Toon, Carbon dioxide snow storms during the polar night on Mars, Journal
of Geophysical Research (Planets) 107 (2002), 5–1.

[53] Jean-Philippe Combe, Études des surfaces planétaires par télédétection visible-infrarouge hy-
perspectrale, Ph.D. thesis, UNIVERSITÉ DE NANTES ; FACULTÉ DES SCIENCES ET DES
TECHNIQUES, 2005.

[54] Aurelien Cord, Christophe Ambroise, and Jean-Pierre Cocquerez, Feature selection in robust clus-
tering based on laplace mixture, Pattern Recognition Letters 27 (2006), no. 6, 627–635.

[55] T. M. Cover, The best two independent measurements are not the two best, IEEE Trans. Syst.,
Man, and Cybernetics, 4 (1974), 116–117.

[56] M.D. Craig, Minimum-volume transforms for remotely sensed data, Geoscience and Remote Sen-
sing, IEEE Transactions on 32 (1994), no. 3, 542–552.

[57] Giovanni Dietler and Yi-Cheng Zhang, Fractal aspects of the swiss landscape, Physica A : Statis-
tical and Theoretical Physics 191 (1992), no. 1-4, 213–219.

[58] W. E. Dietrich and J. T. Perron, The search for a topographic signature of life, Nature 439 (2006),
411–418.

[59] R. Ditteon and H. H. Kieffer, Optical properties of solid CO2 - Application to Mars, Journal of
Geophysical Research 84 (1979), 8294–8300.

228
 BIBLIOGRAPHIE

[60] P. S. Dodds and D. H. Rothman, Scaling, Universality, and Geomorphology, Annual Review of
Earth and Planetary Sciences 28 (2000), 571–610.
[61] David L. Donoho, High-dimensional data analysis : The curses and blessings of dimensionality,
Lectures of the American Mathematical Society, 2000.
[62] S. Douté and B. Schmitt, A multilayer bidirectional reflectance model for the analysis of planetary
surface hyperspectral images at visible and near-infrared wavelengths, Journal of Geophysical
Research 103 (1998), 31367–31390.
[63] S. Douté, E. Deforas, F. Schmidt, R. Oliva, and B. Schmitt, A Comprehensive Numerical Package
for the Modeling of Mars Hyperspectral Images, Lunar and Planetary Institute Conference Abs-
tracts, Lunar and Planetary Institute Conference Abstracts, vol. 38, March 2007, pp. 1836–+.
[64] S. Douté, B. Schmitt, Y. Langevin, J.-P. Bibring, F. Altieri, G. Bellucci, B. Gondet, F. Poulet, and
the MEX OMEGA team, South Pole of Mars : Nature and composition of the icy terrains from
Mars Express OMEGA observations, Planetary and Space Science 55 (2007), 113–133.
[65] S. Douté, B. Schmitt, R. Lopes-Gautier, R. Carlson, L. Soderblom, J. Shirley, and T. G. N. T. The
Galileo NIMS Team, Mapping SO2 Frost on Io by the Modeling of NIMS Hyperspectral Images,
Icarus 149 (2001), 107–132.
[66] Sylvain Douté, Modélisation numérique de la réflectance spectrale des surfaces glacées du sys-
tème solaire. application à l’analyse de spectres de triton et pluton et au traitement d’images
hyperspectrales nims de io., Ph.D. thesis, Université Joseph Fourier - Grenoble I, 1998.
[67] H. Du, H. Qi, and G. D. Peterson, Parallel ICA and its hardware implementation in hyperspec-
tral image analysis, Independent Component Analyses, Wavelets, Unsupervised Smart Sensors,
and Neural Networks II. Edited by Szu, Harold H. ; Wickerhauser, Mladen V. Proceedings of the
SPIE, Volume 5439, pp. 74-83 (1899). (H. H. Szu, M. V. Wickerhauser, B. A. Pearlmutter, and
W. Sweldens, eds.), April 2004, pp. 74–83.
[68] N. D. Efford, The Relationship Between Photometric Roughness and Fractal Dimension, Lunar
and Planetary Institute Conference Abstracts, March 1990, pp. 319–+.
[69] Janusz Eluszkiewicz, On the microphysical state of the martian seasonal caps, Icarus 103 (1993),
no. 1, 43–48.
[70] T. Encrenaz, R. Melchiorri, T. Fouchet, P. Drossart, E. Lellouch, B. Gondet, J.-P. Bibring, Y. Lan-
gevin, D. Titov, N. Ignatiev, and F. Forget, A mapping of martian water sublimation during early
northern summer using OMEGA/Mars Express, Astronomy and Astrophysics 441 (2005), L9–
L12.
[71] Kie B. Eom, Shape recognition using spectral features, Pattern Recognition Letters 19 (1998),
no. 2, 189–195.
[72] S. Erard, A spectro-photometric model of Mars in the near-infrared, Geophysical Research Letters
28 (2001), 1291–1294.
[73] W. C. Feldman, W. V. Boynton, R. L. Tokar, T. H. Prettyman, O. Gasnault, S. W. Squyres, R. C.
Elphic, D. J. Lawrence, S. L. Lawson, S. Maurice, G. W. McKinney, K. R. Moore, and R. C.
Reedy, Global Distribution of Neutrons from Mars : Results from Mars Odyssey, Science 297
(2002), 75–78.
[74] W. C. Feldman, T. H. Prettyman, S. Maurice, J. J. Plaut, D. L. Bish, D. T. Vaniman, M. T. Mellon,
A. E. Metzger, S. W. Squyres, S. Karunatillake, W. V. Boynton, R. C. Elphic, H. O. Funsten, D. J.
Lawrence, and R. L. Tokar, Global distribution of near-surface hydrogen on Mars, Journal of
Geophysical Research (Planets) 109 (2004), 9006–+.

229
BIBLIOGRAPHIE

[75] G. E. Fischbacher, L. J. Martin, and W. A. Baum, Seasonal behavior of the Martian polar caps.,
Publications of the Astronomical Society of the Pacific 81 (1969), 538–+.

[76] K. E. Fishbaugh, S. Byrne, K. Herkenhoff, N. Thomas, P. Russell, and Hirise Team, The Martian
North Polar Layered Deposits at High Resolution with the Mars Reconaissance Orbiter HiRISE
Camera, Lunar and Planetary Institute Conference Abstracts, Lunar and Planetary Institute Confe-
rence Abstracts, vol. 38, March 2007, pp. 1542–+.

[77] R. A. Fisher, The use of multiple measurements in taxonomic problems, Annals of Eugenics 7
(1936), 179–188.

[78] Farid Flitti, Techniques de réduction de données et analyse d’images multispectrales astrono-
miques par arbres de markov, Ph.D. thesis, Université Louis Pasteur - Strasbourg I, 2005.

[79] F. Forget, Mars CO2 ice polar caps, Solar System Ices (B. Schmitt, C. de Bergh, and M. Festou,
eds.), Astrophysics and Space Science Library, vol. 227, Kluwer, 1998, pp. 477–507.

[80] F. Forget, R. M. Haberle, F. Montmessin, B. Levrard, and J. W. Head, Formation of Glaciers on

Mars by Atmospheric Precipitation at High Obliquity, Science 311 (2006), 368–371.

[81] F. Forget, G. B. Hansen, and J. B. Pollack, Low brightness temperatures of Martian polar caps :
CO2 clouds or low surface emissivity ?, Journal of Geophysical Research 100 (1995), 21219–
21234.

[82] F. Forget, F. Hourdin, R. Fournier, C. Hourdin, O. Talagrand, M. Collins, S. R. Lewis, P. L. Read,

and J.-P. Huot, Improved general circulation models of the Martian atmosphere from the surface
to above 80 km, Journal of Geophysical Research 104 (1999), 24155–24176.

[83] F. Forget, F. Hourdin, and O. Talagrand, CO2 Snowfall on Mars : Simulation with a General
Circulation Model, Icarus 131 (1998), 302–316.

[84] F. Forget, B. Levrard, F. Montmessin, B. Schmitt, S. Douté, Y. Langevin, and J.-P. Bibring, Mars
Water Ice and Carbon Dioxide Seasonal Polar Caps : GCM Modeling and Comparison with Mars
Express Omega Observations, 36th Annual Lunar and Planetary Science Conference (S. Mackwell
and E. Stansbery, eds.), March 2005, pp. 1605–+.

[85] F. Forget, L. Montabone, and S. Lebonnois, Modelling the non-condensable gas enrichment in
the polar night, Mars Atmosphere Modelling and Observations (F. Forget, M. A. Lopez-Valverde,
M. C. Desjean, J. P. Huot, F. Lefevre, S. Lebonnois, S. R. Lewis, E. Millour, P. L. Read, and R. J.
Wilson, eds.), February 2006, pp. 422–+.

[86] F. Forget and R. T. Pierrehumbert, Warming Early Mars with Carbon Dioxide Clouds That Scatter
Infrared Radiation, Science 278 (1997), 1273–1276.

[87] F. Forget and J. B. Pollack, Thermal infrared observations of the condensing Martian polar caps :
CO2 ice temperatures and radiative budget, Journal of Geophysical Research 101 (1996), 16865–
16880.

[88] O. Forni, F. Poulet, J.-P. Bibring, S. Erard, C. Gomez, Y. Langevin, B. Gondet, and The Omega
Science Team, Component Separation of OMEGA Spectra with ICA, 36th Annual Lunar and Pla-
netary Science Conference (S. Mackwell and E. Stansbery, eds.), March 2005, pp. 1623–+.

[89] B. R. Foy and J. Theiler, Scene analysis and detection in thermal infrared remote sensing using in-
dependent component analysis, Independent Component Analyses, Wavelets, Unsupervised Smart
Sensors, and Neural Networks II. Edited by Szu, Harold H. ; Wickerhauser, Mladen V. Proceedings
of the SPIE, Volume 5439, pp. 131-139 (1899). (H. H. Szu, M. V. Wickerhauser, B. A. Pearlmutter,
and W. Sweldens, eds.), April 2004, pp. 131–139.

230
 BIBLIOGRAPHIE

[90] Jerome H. Friedman and John W. Tukey, A projection pursuit algorithm for exploratory data
analysis., IEEE Trans. Comput. 23 (1974), 881–890 (English).

[91] J.-S. Gagnon, S. Lovejoy, and D. Schertzer, Multifractal earth topography, Nonlinear Processes
in Geophysics 13 (2006), 541–570.

[92] T. Gánti, A. Horváth, S. Bérczi, A. Gesztesi, and E. Szathmáry, Dark Dune Spots : Possible Bio-
markers on Mars ?, Origins of Life and Evolution of the Biosphere 33 (2003), 515–557.

[93] S. Garneau and J. J. Plaut, Topographic and Roughness Characteristics of the Vastitas Borealis
Formation on Mars Described by Fractal Statistics, Lunar and Planetary Institute Conference
Abstracts, March 2000, pp. 1115–+.

[94] A. Gendrin, Y. Langevin, J.-P. Bibring, and O. Forni, A new method to investigate hyperspectral
image cubes : An application of the wavelet transform, Journal of Geophysical Research (Planets)
111 (2006), 10004–+.

[95] David L. Glandorf, Anthony Colaprete, Margaret A. Tolbert, and Owen B. Toon, Co2 snow on
mars and early earth : Experimental constraints, Icarus 160 (2002), no. 1, 66–72.

[96] Cécile Gomez, Potentiels des données de télédétection mutlisources pour la cartographie géolo-
gique : Application à la région de rehoboth (namibie), Ph.D. thesis, Université Claude Bernard -
Lyon 1, 2004.

[97] J. L. Gooding, Martian dust particles as condensation nuclei - A preliminary assessment of mine-
ralogical factors, Icarus 66 (1986), 56–74.

[98] A. Green, M. Berman, P. Switzer, and M.D. Craig, A transformation for ordering multispectral
data in terms of image quality with implications for noise removal, IEEE Transactions on Geos-
cience and Remote Sensing 26 (1988), no. 1, 65–74.

[99] W. M. Grundy, S. Douté, and B. Schmitt, A Monte Carlo ray-tracing model for scattering and
polarization by large particles with complex shapes, Journal of Geophysical Research 105 (2000),
29291–29314.

[100] B. Guo, S.R. Gunn, R.I. Damper, and J.D.B. Nelson, Band selection for hyperspectral image
classification using mutual information, Geoscience and Remote Sensing Letters, IEEE 3 (2006),
no. 4, 522–526.

[101] Isabelle Guyon, Jason Weston, Stephen Barnhill, and Vladimir Vapnik, Gene selection for cancer
classification using support vector machines, Machine Learning V46 (2002), no. 1, 389–422.

[102] R. M. Haberle and B. M. Jakosky, Atmospheric effects on the remote determination of thermal
inertia on Mars, Icarus 90 (1991), 187–204.

[103] R. M. Haberle, M. M. Joshi, J. R. Murphy, J. R. Barnes, J. T. Schofield, G. Wilson, M. Lopez-

Valverde, J. L. Hollingsworth, A. F. C. Bridger, and J. Schaeffer, General circulation model simu-
lations of the Mars Pathfinder atmospheric structure investigation/meteorology data, Journal of
Geophysical Research 104 (1999), 8957–8974.

[104] R. A. Hanel, B. J. Conrath, D. E. Jennings, and R. E. Samuelson, Exploration of the Solar System
by Infrared Remote Sensing : Second Edition, Exploration of the Solar System by Infrared Remote
Sensing, by R. A. Hanel and B. J. Conrath and D. E. Jennings and R. E. Samuelson, pp. 534. ISBN
0521818974. Cambridge, UK : Cambridge University Press, April 2003., April 2003.

[105] G. B. Hansen, The infrared absorption spectrum of carbon dioxide ice from 1.8 to 333 µm, Journal
of Geophysical Research 102 (1997), 21569–21588.

231
BIBLIOGRAPHIE

[106] , Control of the radiative behavior of the Martian polar caps by surface CO2 ice : Evidence
from Mars Global Surveyor measurements, Journal of Geophysical Research 104 (1999), 16471–
16486.

[107] B. Hapke, Bidirectional reflectance spectroscopy. III - Correction for macroscopic roughness,
Icarus 59 (1984), 41–59.

[108] , Bidirectional reflectance spectroscopy. IV - The extinction coefficient and the opposition
effect, Icarus 67 (1986), 264–280.

[109] , Coherent backscatter and the radar characteristics of outer planet satellites, Icarus 88
(1990), 407–417.

[110] , Theory of reflectance and emittance spectroscopy, Topics in Remote Sensing, Cam-
bridge, UK : Cambridge University Press, 1993.

[111] Hafrún Hauksdóttir, Blind and semiblind source separation of hyperspectral data from the planet
mars, Master’s thesis, University of Iceland Université Joseph Fourier - Grenoble I, 2006.

[112] J. W. Head, G. Neukum, R. Jaumann, H. Hiesinger, E. Hauber, M. Carr, P. Masson, B. Foing,

H. Hoffmann, M. Kreslavsky, S. Werner, S. Milkovich, S. van Gasselt, and T. H. Co-Investigator
Team, Tropical to mid-latitude snow and ice accumulation, flow and glaciation on Mars, Nature
434 (2005), 346–351.

[113] K. C. Herr and G. C. Pimental, Infrared absorptions near three microns recorded over the polar
CAP of mars, Science 166 (1969), 496–499.

[114] K. C. Herr and G. C. Pimentel, Evidence for Solid Carbon Dioxide in the Upper Atmosphere of
Mars, Science 167 (1970), 47–49.

[115] W. Herschel, On the remarkable appearances at the polar regions of the planet mars, the inclina-
tion of its axis, the position of its poles, and its spheroidical figure ; with a few hints relating to its
real diameter and atmosphere. by william herschel, esq. f. r. s., Philosophical Transactions of the
Royal Society of London (1776-1886) 74 (1784), 233–273.

[116] S. L. Hess, R. M. Henry, and J. E. Tillman, The seasonal variation of atmospheric pressure on
Mars as affected by the south polar CAP, Journal of Geophysical Research 84 (1979), 2923–2927.

[117] J. Hoffmann, D. W. Lübbers, and H. M. Heise, Applicability of the Kubelka-Munk theory for
the evaluation of reflectance spectra demonstrated for haemoglobin-free perfused heart tissue,
Physics in Medicine and Biology 43 (1998), 3571–3587.

[118] A. Horváth, T. Gánti, A. Gesztesi, S. Bérczi, and E. Szathmáry, Probable Evidences of Recent
Biological Activity on Mars : Appearance and Growing of Dark Dune Spots in the South Polar
Region, Lunar and Planetary Institute Conference Abstracts, Lunar and Planetary Institute Confe-
rence Abstracts, vol. 32, March 2001, pp. 1543–+.

[119] H. Houben, R. M. Haberle, R. E. Young, and A. P. Zent, Modeling the Martian seasonal water
cycle, Journal of Geophysical Research 102 (1997), 9069–9084.

[120] S. E. Hough, On the use of spectral methods for the determination of fractal dimension, Geophy-
sical Research Letters 16 (1989), 673–676.

[121] F. Hourdin, F. Forget, and O. Talagrand, The sensitivity of the Martian surface pressure and at-
mospheric mass budget to various parameters : A comparison between numerical simulations and
Viking observations, Journal of Geophysical Research 100 (1995), 5501–5523.

232
 BIBLIOGRAPHIE

[122] F. Hourdin, P. Le van, F. Forget, and O. Talagrand, Meteorological variability and the annual
surface pressure cycle on Mars, Journal of Atmospheric Sciences 50 (1993), 3625–3640.

[123] J. Huang and D. L. Turcotte, Fractal mapping of digitized images - Application to the topography
of Arizona and comparisons with synthetic images, Journal of Geophysical Research 94 (1989),
7491–7495.

[124] , Fractal image analysis : application to the topography of Oregon and synthetic images,
Journal of the Optical Society of America A 7 (1990), 1124–1130.

[125] G. Hughes, On the mean accuracy of statistical pattern recognizers, Information Theory, IEEE
Transactions on 14 (1968), no. 1, 55–63.

[126] G. E. Hunt, On the infrared radiative properties of CO2 ice clouds - Application to Mars, Geo-
physical Research Letters 7 (1980), 481–484.

[127] A. Hyvärinen, J. Karhunen, and E. Oja, Independent component analysis, Adaptive and Learning
Systems for Signal Processing, Communications, and Control, John Wiley, New York, 2001.

[128] A. Hyvarinen and E. Oja, Independent component analysis : algorithms and applications, Neural
Networks 13 (2000), no. 4-5, 411–430.

[129] A. Ifarraguerri and M.W. Prairie, Visual method for spectral band selection, Geoscience and Re-
mote Sensing Letters, IEEE 1 (2004), no. 2, 101–106.

[130] A. B. Ivanov and D. O. Muhleman, Cloud Reflection Observations : Results from the Mars Orbiter
Laser Altimeter, Icarus 154 (2001), 190–206.

[131] K. Iwasaki, Y. Saito, Y. Nakai, T. Akabane, and E. Panjaitan, Martian south polar CAP 1988,
Journal of Geophysical Research 95 (1990), 14751–14754.

[132] B. M. Jakosky and E. S. Barker, Comparison of ground-based and Viking Orbiter measurements
of Martian water vapor - Variability of the seasonal cycle, Icarus 57 (1984), 322–334.

[133] B. M. Jakosky and R. M. Haberle, Year-to-year instability of the Mars south polar CAP, Journal
of Geophysical Research 95 (1990), 1359–1365.

[134] B. M. Jakosky, B. G. Henderson, and M. T. Mellon, Chaotic obliquity and the nature of the
Martian climate, Journal of Geophysical Research 100 (1995), 1579–1584.

[135] B. M. Jakosky, M. T. Mellon, E. S. Varnes, W. C. Feldman, W. V. Boynton, and R. M. Haberle,

Mars low-latitude neutron distribution : Possible remnant near-surface water ice and a mechanism
for its recent emplacement, Icarus 175 (2005), 58–67.

[136] P. B. James, G. Briggs, J. Barnes, and A. Spruck, Seasonal recession of Mars’ south polar CAP
as seen by Viking, Journal of Geophysical Research 84 (1979), 2889–2922.

[137] P. B. James and K. Lumme, Martian south polar CAP boundary - 1971 and 1973 data, Icarus 50
(1982), 368–380.

[138] P. B. James, K. M. Malolepszy, and L. J. Martin, Interannual variability of Mars’ south polar
CAP, Icarus 71 (1987), 298–305.

[139] P. B. James, L. J. Martin, J. R. Henson, and P. V. Birch, Seasonal recession of Mars’ south polar
CAP in 1986, Journal of Geophysical Research 95 (1990), 1337–1341.

[140] Philip B. James, Recession of martian north polar cap : 1979-1980 viking observations, Icarus 52
(1982), no. 3, 565–569.

233
BIBLIOGRAPHIE

[141] L.O. Jimenez and D.A. Landgrebe, Hyperspectral data analysis and supervised feature reduction
via projection pursuit, Geoscience and Remote Sensing, IEEE Transactions on 37 (1999), no. 6,
2653–2667.

[142] Christian Jutten and Juha Karhunen, Advances in blind source separation (bss) and independent
component analysis (ica) for nonlinear mixtures., Int. J. Neural Syst. 14 (2004), no. 5, 267–292.

[143] Ö. Karatekin, T. Van Hoolst, and V. Dehant, Martian global-scale CO2 exchange from time-
variable gravity measurements, Journal of Geophysical Research (Planets) 111 (2006), 6003–+.

[144] James F. Kasting, Co2 condensation and the climate of early mars, Icarus 94 (1991), no. 1, 1–13.

[145] , Planetary atmospheres : Warming early earth and mars, Science 276 (1997), no. 5316,
1213–1215.

[146] N. J. Kelly, W. V. Boynton, K. Kerry, D. Hamara, D. Janes, R. C. Reedy, K. J. Kim, and R. M.

Haberle, Seasonal polar carbon dioxide frost on Mars : CO2 mass and columnar thickness distri-
bution, Journal of Geophysical Research (Planets) 111 (2006), 3–+.

[147] N. Keshava, Distance metrics and band selection in hyperspectral processing with applications to
material identification and spectral libraries, Geoscience and Remote Sensing, IEEE Transactions
on 42 (2004), no. 7, 1552–1565.

[148] N. Keshava and J.F. Mustard, Spectral unmixing, Signal Processing Magazine, IEEE 19 (2002),
no. 1, 44–57.

[149] H. H. Kieffer, Mars south polar spring and summer temperatures - A residual CO2 frost, Journal
of Geophysical Research 84 (1979), 8263–8288.

[150] H. H. Kieffer, T. Z. Martin, S. C. Chase, Jr., E. D. Miner, and F. D. Palluconi, Martian north pole
summer temperatures - Dirty water ice, Science 194 (1976), 1341–1344.

[151] H. H. Kieffer, T. Z. Martin, A. R. Peterfreund, B. M. Jakosky, E. D. Miner, and F. D. Palluconi,

Thermal and albedo mapping of Mars during the Viking primary mission, Journal of Geophysical
Research 82 (1977), 4249–4291.

[152] H. H. Kieffer and T. N. Titus, TES Mapping of Mars’ North Seasonal Cap, Icarus 154 (2001),
162–180.

[153] H. H. Kieffer, T. N. Titus, K. F. Mullins, and P. R. Christensen, Mars south polar spring and
summer behavior observed by TES : Seasonal cap evolution controlled by frost grain size, Journal
of Geophysical Research 105 (2000), 9653–9700.

[154] H. H. Kieffer and A. P. Zent, Mars, ch. Quasi-periodic climate change on Mars, pp. 1180–1218,
University of Arizona Press, 1992.

[155] Hugh H. Kieffer, Philip R. Christensen, and Timothy N. Titus, Co2 jets formed by sublimation
beneath translucent slab ice in mars’ seasonal south polar ice cap, Nature 442 (2006), no. 7104,
793–796.

[156] Cliff H. Koger, Lori M. Bruce, David R. Shaw, and Krishna N. Reddy, Wavelet analysis of hy-
perspectral reflectance data for detecting pitted morningglory (ipomoea lacunosa) in soybean
(glycine max), Remote Sensing of Environment 86 (2003), no. 1, 108–119.

[157] Ron Kohavi and George H. John, Wrappers for feature subset selection, Artificial Intelligence 97
(1997), no. 1-2, 273–324.

234
 BIBLIOGRAPHIE

[158] A.A. Kokhanovsky, Reflection of light from particulate media with irregularly shaped particles,
Journal of Quantitative Spectroscopy and Radiative Transfer 96 (2005), no. 1, 1–10.

[159] A.A. Kokhanovsky, T. Aoki, A. Hachikubo, M. Hori, and E.P. Zege, Reflective properties of na-
tural snow : approximate asymptotic theory versus in situ measurements, Geoscience and Remote
Sensing, IEEE Transactions on 43 (2005), no. 7, 1529–1535.

[160] Eric D. Kolaczy, Ju J., and Gopal S., Multiscale, multigranular statistical image segmentation,
Journal of the American Statistical Association 100 (2005), 1358–1369.

[161] A. Koltunov, O. Crouvi, and E. Ben-Dor, Geomorphologic mapping from hyperspectral data,
using gaussian mixtures and lower confidence bounds, International Journal of Remote Sensing
27 (2006), no. 20, 4545–4566.

[162] M. A. Kreslavsky and J. W. Head, Kilometer-scale slopes on Mars and their correlation with
geologic units : Initial results from Mars Orbiter Laser Altimeter (MOLA) data, Journal of Geo-
physical Research 104 (1999), 21911–21924.

[163] , Kilometer-scale roughness of Mars : Results from MOLA data analysis, Journal of Geo-
physical Research 105 (2000), 26695–26712.

[164] P. Kubelka, New contributions to the optics of intensely light-scattering materials. Part I, Journal
of the Optical Society of America (1917-1983) 38 (1948), 448–+.

[165] Y. Kuga and A. Ishimaru, Retroreflectance from a dense distribution of spherical particles, Journal
of the Optical Society of America A 1 (1984), 831–835.

[166] Thomas Kuhn, The structure of scientific revolutions, University of Chicago Press, 1962.

[167] , The essential tension, University of Chicago Press, 1977.

[168] G. P. Kuiper, Visual Observations of Mars, 1956., Astrophysical Journal 125 (1957), 307–+.

[169] C. Kwan, B. Ayhan, G. Chen, Jing Wang, Baohong Ji, and Chein-I Chang, A novel approach for
spectral unmixing, classification, and concentration estimation of chemical and biological agents,
Geoscience and Remote Sensing, IEEE Transactions on 44 (2006), no. 2, 409–419.

[170] J.L. Lacoume, P.O. Amblard, and P. Comon, Statistiques d’ordre supérieur pour le traitement du
signal, Masson, 1997.

[171] David A. Landgrebe, Signal theory methods in multispectral remote sensing, John Wiley and Sons,
2003.

[172] Y. Langevin, F. Montmessin, F. Forget, M. Vincendon, S. Douté, F. Poulet, J.-P. Bibring, and
B. Gondet, Observations of the south seasonal cap of mars during retreat in 2004-2006 by the
omega visible/nir imaging spectrometer on board mars express, JGR Planet, submited (2007).

[173] Y. Langevin, F. Poulet, J.-P. Bibring, and B. Gondet, Sulfates in the North Polar Region of Mars
Detected by OMEGA/Mars Express, Science 307 (2005), 1584–1586.

[174] Y. Langevin, F. Poulet, J.-P. Bibring, B. Schmitt, S. Douté, and B. Gondet, Summer Evolution of
the North Polar Cap of Mars as Observed by OMEGA/Mars Express, Science 307 (2005), 1581–
1584.

[175] Yves Langevin, Sylvain Douté, Mathieu Vincendon, Francois Poulet, Jean-Pierre Bibring, Brigitte
Gondet, Bernard Schmitt, and F. Forget, No signature of clear co2 ice from the ‘cryptic’ regions
in mars’ south seasonal polar cap, Nature 442 (2006), no. 7104, 790–792.

235
BIBLIOGRAPHIE

[176] J. Laskar, A. C. M. Correia, M. Gastineau, F. Joutel, B. Levrard, and P. Robutel, Long term evolu-
tion and chaotic diffusion of the insolation quantities of Mars, Icarus 170 (2004), 343–364.

[177] J. Laskar, F. Joutel, and F. Boudin, Orbital, precessional, and insolation quantities for the Earth
from -20 MYR to +10 MYR, Astronomy and Astrophysics 270 (1993), 522–533.

[178] J. Laskar, B. Levrard, and J. F. Mustard, Orbital forcing of the martian polar layered deposits,
Nature 419 (2002), 375–377.

[179] M.H.C. Law, M.A.T. Figueiredo, and A.K. Jain, Simultaneous feature selection and clustering
using mixture models, Pattern Analysis and Machine Intelligence, IEEE Transactions on 26
(2004), no. 9, 1154–1166.

[180] Charles L. Lawson and Richard J. Hanson, Solving least squares problems, SIAM (Society for
Industrial and Applied Mathematics), July 1995.

[181] C. Lee and D.A. Landgrebe, Analyzing high-dimensional multispectral data, Geoscience and Re-
mote Sensing, IEEE Transactions on 31 (1993), no. 4, 792–800.

[182] R. B. Leighton, B. C. Murray, R. P. Sharp, J. Denton Allen, and R. K. Sloan, Mariner IV Photo-
graphy of Mars : Initial Results, Science 149 (1965), 627–630.

[183] R. R. Leighton and B. C. Murray, Behavior of carbon dioxide and other volatiles on Mars, Science
153 (1966), 136–144.

[184] M. Lennon, G. Mercier, and L. Hubert-Moy, Classification of hyperspectral images with nonli-
near filtering and support vector machines, Geoscience and Remote Sensing Symposium, 2002.
IGARSS ’02. 2002 IEEE International, vol. 3, 2002, pp. 1670–1672 vol.3.

[185] M. Lennon, G. Mercier, M.C. Mouchot, and L. Hubert-Moy, Independent component analysis as a
tool for the dimensionality reduction and the representation of hyperspectral images, Geoscience
and Remote Sensing Symposium, 2001. IGARSS ’01. IEEE 2001 International, vol. 6, 2001,
pp. 2893–2895 vol.6.

[186] Mars Lennon, Méthodes d’analyse d’images hyperspectrales. exploitation du capteur aéroporté
casi pour des applications de cartographie agro-environnementale en bretagne., Ph.D. thesis,
Université de Rennes - Rennes I, 2002.

[187] C. Leovy and Y. Mintz, Numerical simulation of atmospheric circulation and climate of mars,
Journal of the Atmospheric Sciences 26 (1969), no. 6, 1167–1190.

[188] B. Levrard, F. Forget, F. Montmessin, and J. Laskar, Recent ice-rich deposits formed at high
latitudes on Mars by sublimation of unstable equatorial ice during low obliquity, Nature 431
(2004), 1072–1075.

[189] S. R. Lewis, Mars : atmosphere : Modelling the martian atmosphere, Astronomy and Geophysics
44 (2003), 6–+.

[190] S. R. Lewis, M. Collins, P. L. Read, F. Forget, F. Hourdin, R. Fournier, C. Hourdin, O. Talagrand,

and J.-P. Huot, A climate database for Mars, Journal of Geophysical Research 104 (1999), 24177–
24194.

[191] M. L. Litvak, I. G. Mitrofanov, A. S. Kozyrev, A. B. Sanin, V. I. Tretyakov, W. V. Boynton, N. J.

Kelly, D. Hamara, and R. S. Saunders, Long-term observations of southern winters on Mars :
Estimations of column thickness, mass, and volume density of the seasonal CO2 deposit from
HEND/Odyssey data, Journal of Geophysical Research (Planets) 112 (2007), 3–+.

236
 BIBLIOGRAPHIE

[192] M. L. Litvak, I. G. Mitrofanov, A. S. Kozyrev, A. B. Sanin, V. I. Tretyakov, W. V. Boynton, N. J.

Kelly, D. Hamara, C. Shinohara, and R. S. Saunders, Comparison between polar regions of Mars
from HEND/Odyssey data, Icarus 180 (2006), 23–37.

[193] M. L. Litvak, I. G. Mitrofanov, A. S. Kozyrev, A. B. Sanin, V. I. Tret’yakov, W. V. Boynton,

C. Shinohara, D. Hamara, S. Saunders, and D. M. Drake, Seasonal Carbon Dioxide Depositions on
the Martian Surface as Revealed from Neutron Measurements by the HEND Instrument Onboard
the 2001 Mars Odyssey Spacecraft, Solar System Research 38 (2004), 167–177.

[194] P. Lowell, Mars and its canals, Macmillan, New York, 1906.

[195] Beiwei Lu and W.W. Hsieh, Simplified nonlinear principal component analysis, Neural Networks,
2003. Proceedings of the International Joint Conference on, vol. 1, 2003, pp. 759–763 vol.1.

[196] A. Lyapustin and Y. Knyazikhin, Green s Function Method for the Radiative Transfer Problem. I.
Homogeneous non-Lambertian Surface, Applied Optics 40 (2001), 3495–3501.

[197] , Green’s function method in the radiative transfer problem. II. Spatially heterogeneous
anisotropic surface, Applied Optics 41 (2002), 5600–5606.

[198] J.-B. Madeleine, F. Forget, J. W. Head, B. Levrard, and F. Montmessin, Mars : A Proposed Cli-
matic Scenario for Northern Mid-Latitude Glaciation, Lunar and Planetary Institute Conference
Abstracts, Lunar and Planetary Institute Conference Abstracts, vol. 38, March 2007, pp. 1778–+.

[199] B. D. Malamud and D. L. Turcotte, Wavelet Analysis of Mars MOLA Topography, Lunar and
Planetary Institute Conference Abstracts, March 2000, pp. 1016–+.

[200] , Wavelet analyses of Mars polar topography, Journal of Geophysical Research 106
(2001), 17497–17504.

[201] M. C. Malin, M. A. Caplinger, and S. D. Davis, Observational Evidence for an Active Surface
Reservoir of Solid Carbon Dioxide on Mars, Science 294 (2001), 2146–2148.

[202] A. Malinverno, Segmentation of topographic profiles of the seafloor based on a self-affine model,
Oceanic Engineering, IEEE Journal of 14 (1989), no. 4, 348–359.

[203] S. Mallat, A wavelet tour of signal processing, ch. 4, pp. 107–121, Academic Press, 1999.

[204] B. Mandelbrot, How Long Is the Coast of Britain ? Statistical Self-Similarity and Fractional Di-
mension, Science 156 (1967), 636–638.

[205] N. Mangold, High latitude patterned grounds on Mars : Classification, distribution and climatic
control, Icarus 174 (2005), 336–359.

[206] N. Mangold, S. Maurice, W. C. Feldman, F. Costard, and F. Forget, Spatial relationships bet-
ween patterned ground and ground ice detected by the Neutron Spectrometer on Mars, Journal of
Geophysical Research (Planets) 109 (2004), 8001–+.

[207] A.R.S. Marcal and L. Castro, Hierarchical clustering of multispectral images using combined
spectral and spatial criteria, Geoscience and Remote Sensing Letters, IEEE 2 (2005), no. 1, 59–
63.

[208] Philippe Masson, Michael H. Carr, François Costard, Ronald Greeley, Ernst Hauber, and Ralf
Jaumann, Geomorphologic evidence for liquid water, Space Science Reviews 96 (2001), no. 1,
333–364.

[209] Audrey F. McGuire and Bruce W. Hapke, An experimental study of light scattering by large,
irregular particles, Icarus 113 (1995), no. 1, 134–155.

237
BIBLIOGRAPHIE

[210] G. Mie, Beiträge zur Optik trüber Medien, speziell kolloidaler Metallösungen, Annalen der Physik
330 (1908), 377–445.

[211] C. Miesch, L. Poutier, V. Achard, X. Briottet, X. Lenot, and Y. Boucher, Direct and inverse ra-
diative transfer solutions for visible and near-infrared hyperspectral imagery, Geoscience and
Remote Sensing, IEEE Transactions on 43 (2005), no. 7, 1552–1562.

[212] M. Minnaert, The reciprocity principle in lunar photometry, Astrophysical Journal 93 (1941),
403–410.

[213] Michael A. Mischna, James F. Kasting, Alex Pavlov, and Richard Freedman, Influence of carbon
dioxide clouds on early martian climate, Icarus 145 (2000), no. 2, 546–554.

[214] M. I. Mishchenko and A. Macke, Asymmetry parameters of the phase function for isolated and
densely packed spherical particles with multiple internal inclusions in the geometric optics limit,
Journal of Quantitative Spectroscopy and Radiative Transfer 57 (1997), 767–794.

[215] I. Mitrofanov, D. Anfimov, A. Kozyrev, M. Litvak, A. Sanin, V. Tret’yakov, A. Krylov, V. Shvet-

sov, W. Boynton, C. Shinohara, D. Hamara, and R. S. Saunders, Maps of subsurface hydrogen
from the high energy neutron detector, mars odyssey, Science 297 (2002), no. 5578, 78–81.

[216] F. Montmessin, J.-L. Bertaux, E. Quémerais, O. Korablev, P. Rannou, F. Forget, S. Perrier, D. Fus-
sen, S. Lebonnois, A. Rébérac, and E. Dimarellis, Subvisible CO2 ice clouds detected in the me-
sosphere of Mars, Icarus 183 (2006), 403–410.

[217] F. Montmessin, F. Forget, P. Rannou, M. Cabane, and R. M. Haberle, Origin and role of water
ice clouds in the Martian water cycle as inferred from a general circulation model, Journal of
Geophysical Research (Planets) 109 (2004), 10004–+.

[218] R. V. Morris, W. W. Mendell, and S. C. Neely, Application of Kubelka-Munk theory of diffuse

reflectance to geologic problems - The role of scattering, Geophysical Research Letters 9 (1982),
113–116.

[219] K. Mosegaard and A. Tarantola, Monte Carlo sampling of solutions to inverse problems, Journal
of Geophysical Research 100 (1995), 12431–12448.

[220] S. Moussaoui, D. Brie, A. Mohammad-Djafari, and C. Carteret, Separation of non-negative mix-

ture of non-negative sources using a bayesian approach and mcmc sampling, Signal Processing,
IEEE Transactions on [see also Acoustics, Speech, and Signal Processing, IEEE Transactions on]
54 (2006), no. 11, 4133–4145.

[221] S. Moussaoui, H. Hauksdóttir, F. Schmidt, C. Jutten, J. Chanussot, D. Brie, S. Douté, and J. A. Be-
nediksson, On the decomposition of mars hyperspectral data by ica and bayesian positive source
separation, Neurocomputing (submitted) (2007).

[222] Saïd Moussaoui, Séparation de sources non-négatives - application au traitement des signaux de
spectroscopie, Ph.D. thesis, Université Henri Poincaré, Nancy I, 2005.

[223] B. C. Murray and M. C. Malin, Polar Volatiles on Mars-Theory versus Observation, Science 182
(1973), 437–443.

[224] Bruce C. Murray, Laurence A. Soderblom, James A. Cutts, Robert P. Sharp, Daniel J. Milton, and
Robert B. Leighton, Geological framework of the south polar region of mars, Icarus 17 (1972),
no. 2, 328–345.

[225] J. F. Mustard, L. Li, and G. He, Nonlinear spectral mixture modeling of lunar multispectral data :
Implications for lateral transport, Journal of Geophysical Research 103 (1998), 19419–19426.

238
 BIBLIOGRAPHIE

[226] J.M.P. Nascimento and J.M.B. Dias, Does independent component analysis play a role in unmixing
hyperspectral data ?, Geoscience and Remote Sensing, IEEE Transactions on 43 (2005), no. 1,
175–187.

[227] R. M. Nelson, B. W. Hapke, W. D. Smythe, and L. J. Spilker, The Opposition Effect in Simulated
Planetary Regoliths. Reflectance and Circular Polarization Ratio Change at Small Phase Angle,
Icarus 147 (2000), 545–558.

[228] G. Neugebauer, G. Miinch, H. Kieffer, S. C. Chase, Jr., and E. Miner, Mariner 1969 Infrared
Radiometer Results : Temperatures and Thermal Properties of the Martian Surface, Astronomical
Journal 76 (1971), 719–+.

[229] G. Neugebauer, G. Munch, S. C. Chase, Jr., H. Hatzenbeler, E. Miner, and D. Schofield, Mariner
1969 : Preliminary Results of the Infrared Radiometer Experiment, Science 166 (1969), 98–99.

[230] S. K. Noble, C. M. Pieters, T. Hiroi, and L. A. Taylor, Using the modified Gaussian model to
extract quantitative data from lunar soils, Journal of Geophysical Research (Planets) 111 (2006),
11009–+.

[231] Kazuo Oki, Lu Shan, Takuya Saruwatari, Tomoyuki Suhama, and Kenji Omasa, Evaluation of
supervised classification algorithms for identifying crops using airborne hyperspectral data, In-
ternational Journal of Remote Sensing 27 (2006), no. 10, 1993–2002.

[232] R. Orosei, R. Bianchi, A. Coradini, S. Espinasse, C. Federico, and A. Ferriccioni, Characterization

of the Martian Surface Scattering at Decametric Wavelengths, Conference on the Geophysical
Detection of Subsurface Water on Mars, August 2001, pp. 7026–+.

[233] D. A. Paige and A. P. Ingersoll, Annual heat balance of Martian polar caps - Viking observations,
Science 228 (1985), 1160–1168.

[234] M. Pal, Support vector machine-based feature selection for land cover classification : a case study
with dais hyperspectral data, International Journal of Remote Sensing 27 (2006), no. 14, 2877–
2894.

[235] Mahesh Pal and P. M. Mather, Some issues in the classification of dais hyperspectral data, Inter-
national Journal of Remote Sensing 27 (2006), no. 14, 2895–2916.

[236] Athanasios Papoulis, Probability, random variables and stochastic processes (second edition),
McGraw-Hill Book Company, 1984.

[237] M. Parente, J. L. Bishop, and J. F. Bell, Spectral Unmixing for Sulfate Identification in Pancam
Images, Lunar and Planetary Institute Conference Abstracts, Lunar and Planetary Institute Confe-
rence Abstracts, vol. 38, March 2007, pp. 1934–+.

[238] T. Parrinello and R. A. Vaughan, On comparing multifractal and classical features in minimum dis-
tance classification of avhrr imagery, International Journal of Remote Sensing 27 (2006), no. 18,
3943–3959.

[239] J.I. Peltoniemi, S. Kaasalainen, J. Naranen, L. Matikainen, and J. Piironen, Measurement of di-
rectional and spectral signatures of light reflectance by snow, Geoscience and Remote Sensing,
IEEE Transactions on 43 (2005), no. 10, 2294–2304.

[240] P. Pinet and Omega Team, Detection and regional mapping of mafic minerals across Syrtis Major
from OMEGA / Mars Express observations in the visible-near infrared domain by means of MGM
deconvolution., (2006), 561–+.

239
BIBLIOGRAPHIE

[241] P. C. Pinet, A. Cord, S. Chevrel, and Y. Daydou, Optical Response and Surface Physical Pro-
perties of the Lunar Regolith at Reiner Gamma Formation from Clementine Orbital Photometry :
Derivation of the Hapke Parameters at Local Scale, Lunar and Planetary Institute Conference
Abstracts (S. Mackwell and E. Stansbery, eds.), March 2004, pp. 1660–+.

[242] S. Piqueux, S. Byrne, and M. I. Richardson, Sublimation of Mars’s southern seasonal CO2 ice cap
and the formation of spiders, Journal of Geophysical Research (Planets) 108 (2003), 3–1.

[243] J. J. Plaut, G. Picardi, A. Safaeinili, A. B. Ivanov, S. M. Milkovich, A. Cicchetti, W. Kofman,

J. Mouginot, W. M. Farrell, R. J. Phillips, S. M. Clifford, A. Frigeri, R. Orosei, C. Federico,
I. P. Williams, D. A. Gurnett, E. Nielsen, T. Hagfors, E. Heggy, E. R. Stofan, D. Plettemeier, T. R.
Watters, C. J. Leuschen, and P. Edenhofer, Subsurface Radar Sounding of the South Polar Layered
Deposits of Mars, Science 316 (2007), 92–.

[244] J. B. Pollack, R. M. Haberle, J. R. Murphy, J. Schaeffer, and H. Lee, Simulations of the general
circulation of the Martian atmosphere. II - Seasonal pressure variations, Journal of Geophysical
Research 98 (1993), 3149–3181.

[245] J. B. Pollack, R. M. Haberle, J. Schaeffer, and H. Lee, Simulations of the general circulation of the
Martian atmosphere. I - Polar processes, Journal of Geophysical Research 95 (1990), 1447–1473.

[246] J.B. Pollack, J.F. Kasting, S.M. Richardson, and K. Poliakoff, The case for a wet, warm climate
on early mars, Icarus 71 (1987), no. 2, 203–224.

[247] G. Portyankina and W. J. Markiewicz, Model for Formation of Spider Patterns in the Cryptic Re-
gion, Third International Conference on Mars Polar Science and Exploration (S. Clifford, P. Do-
ran, D. Fisher, and C. Herd, eds.), October 2003, pp. 8026–+.

[248] G. Portyankina, W. J. Markiewicz, M. Garcia-Comas, H. U. Keller, J.-P. Bibring, and G. Neu-

kum, Simulations of Geyser-type Eruptions in Cryptic Region of Martian South Polar Cap, LPI
Contributions 1323 (2006), 8040–+.

[249] William H. Press, Brian P. Flannery, Saul A. Teukolsky, and William T. Vetterling, Numerical Re-
cipes in Fortran 77 : the art of scientific computing, ch. 13.10, pp. 584–599, Cambridge University
Press, 1986-1992.

[250] N. E. Putzig, M. T. Mellon, K. A. Kretke, and R. E. Arvidson, Global thermal inertia and surface
properties of Mars from the MGS mapping mission, Icarus 173 (2005), 325–341.

[251] J.A. Richards, Remote sensing digital image analysis, Springer-Verlag, 1994.

[252] M. I. Richardson, R. J. Wilson, and A. V. Rodin, Water ice clouds in the Martian atmosphere : Ge-
neral circulation model experiments with a simple cloud scheme, Journal of Geophysical Research
(Planets) 107 (2002), 2–1.

[253] A. D. Rogers, J. L. Bandfield, and P. R. Christensen, Global spectral classification of Martian

low-albedo regions with Mars Global Surveyor Thermal Emission Spectrometer (MGS-TES) data,
Journal of Geophysical Research (Planets) 112 (2007), 2004–+.

[254] B. Romaniuk, M. Desvignes, M. Revenu, and M.J. Deshayes, Linear and non-linear model for
statistical localization of landmarks, Pattern Recognition, 2002. Proceedings. 16th International
Conference on, vol. 4, 2002, pp. 393–396 vol.4.

[255] B. Romaniuk, V. Guilloux, M. Desvignes, and M.J. Deshayes, Partially observed objects locali-
zation with pca and kpca models, Image Analysis and Interpretation, 2004. 6th IEEE Southwest
Symposium on, 2004, pp. 80–84.

240
 BIBLIOGRAPHIE

[256] G. Ruello, P. Blanco-Sanchez, A. Iodice, J.J. Mallorqui, D. Riccio, A. Broquetas, and G. Fran-
ceschetti, Synthesis, construction, and validation of a fractal surface, Geoscience and Remote
Sensing, IEEE Transactions on 44 (2006), no. 6, 1403–1412.

[257] N. Saito and R. Coifman, Improved local discriminant bases using empirical probability density
estimation, Proceedings of Statistical Computing, 1996.

[258] N. Saito and R.R. Coifman, On local orthonormal bases for classification and regression, Acous-
tics, Speech, and Signal Processing, 1995. ICASSP-95., 1995 International Conference on, vol. 3,
1995, pp. 1529–1532 vol.3.

[259] Gilbert Saporta, Probabilités, analyse de données et statistiques (seconde edition), TECHNIP,
2006.

[260] R. S. Sayles and T. R. Thomas, Surface topography as a nonstationary random process, Nature
271 (1978), no. 5644, 431–434.

[261] Frédéric Schmidt, Spectroscopie des glaces martiennes, Master’s thesis, Université Joseph Fourier
- Grenoble I, 2004.

[262] Frédéric Schmidt, Sylvain Douté, and Bernard Schmitt, Wavanglet : An efficient supervised classi-
fier for hyperspectral images, Geoscience and Remote Sensing, IEEE Transactions on 45 (2007),
no. 5, 1374–1385.

[263] B. Schmitt, S. Douté, Y. Langevin, F. Forget, J.-P. Bibring, B. Gondet, and The Omega Team,
Northern Seasonal Condensates on Mars by OMEGA/Mars Express, 36th Annual Lunar and Pla-
netary Science Conference (S. Mackwell and E. Stansbery, eds.), Lunar and Planetary Institute
Conference Abstracts, vol. 36, March 2005, pp. 2326–+.

[264] B. Schmitt, E. Quirico, F. Trotta, and W. M. Grundy, Optical Properties of Ices from UV to In-
frared, Solar System Ices (B. Schmitt, C. de Bergh, and M. Festou, eds.), Astrophysics and Space
Science Library, vol. 227, Kluwer, 1998, pp. 199–240.

[265] B. Schmitt, F. Schmidt, S. Douté, Y. Langevin, F. Forget, J.-P. Bibring, B. Gondet, and Omega
Team, Recession of the Northern Seasonal Condensates on Mars by OMEGA/Mars Express, LPI
Contributions 1323 (2006), 8050–+.

[266] J. Settle, On the effect of variable endmember spectra in the linear mixture model, Geoscience and
Remote Sensing, IEEE Transactions on 44 (2006), no. 2, 389–396.

[267] C. Shannon, A mathematical theory of communication, The Bell System Technical Journal 27
(1948), 379–423.

[268] R. P. Sharp, B. C. Murray, R. B. Leighton, L. A. Soderblom, and J. A. Cutts, The surface of Mars.
4. South polar cap., Journal of Geophysical Research 76 (1971), 357–368.

[269] V. L. Sharpton and J. W. Head, III, A comparison of the regional slope characteristics of Venus
and earth - Implications for geologic processes on Venus, Journal of Geophysical Research 91
(1986), 7545–7554.

[270] O. B. Shchuko, D. V. Kartashov, G. Picardi, and R. Orosei, Martian underground water detection :
Thermal model and simulations of radar signal propagation, Journal of Geophysical Research
(Planets) 108 (2003), 3–1.

[271] William Sheehan, The planet mars : A history of observation and discovery, The University of
Arizona Press, Tucson, 1996.

241
BIBLIOGRAPHIE

[272] M. K. Shepard and B. A. Campbell, Shadows on a Planetary Surface and Implications for Photo-
metric Roughness, Icarus 134 (1998), 279–291.

[273] M. K. Shepard, B. A. Campbell, M. H. Bulmer, T. G. Farr, L. R. Gaddis, and J. J. Plaut, The

roughness of natural terrain : A planetary and remote sensing perspective, Journal of Geophysical
Research 106 (2001), 32777–32796.

[274] Y. G. Shkuratov and Y. S. Grynko, Light scattering by media composed of semitransparent par-
ticles of different shapes in ray optics approximation : consequences for spectroscopy, photometry,
and polarimetry of planetary regoliths, Icarus 173 (2005), 16–28.

[275] Y. G. Shkuratov and P. Helfenstein, The Opposition Effect and the Quasi-fractal Structure of
Regolith : I. Theory, Icarus 152 (2001), 96–116.

[276] T. Siili, R. M. Haberle, J. R. Murphy, and H. Savijarvi, Modelling of the combined late-winter ice
cap edge and slope winds in Mars Hellas and Argyre regions, Planetary and Space Science 47
(1999), 951–970.

[277] D. E. Smith, M. T. Zuber, and G. A. Neumann, Seasonal Variations of Snow Depth on Mars,
Science 294 (2001), 2141–2146.

[278] D. E. Smith, M. T. Zuber, S. C. Solomon, R. J. Phillips, J. W. Head, J. B. Garvin, W. B. Banerdt,

D. O. Muhleman, G. H. Pettengill, G. A. Neumann, F. G. Lemoine, J. B. Abshire, O. Aharonson,
D. C. Brown, S. A. Hauck, A. B. Ivanov, P. J. McGovern, H. J. Zwally, and T. C. Duxbury, The
Global Topography of Mars and Implications for Surface Evolution, Science 284 (1999), 1495–+.

[279] M. D. Smith, J. L. Bandfield, and P. R. Christensen, Separation of atmospheric and surface spec-
tral features in Mars Global Surveyor Thermal Emission Spectrometer (TES) spectra, Journal of
Geophysical Research 105 (2000), 9589–9608.

[280] Michael D. Smith, Interannual variability in tes atmospheric observations of mars during 1999-
2003, Icarus 167 (2004), no. 1, 148–165.

[281] Stephen South, Jiaguo Qi, and David P. Lusch, Optimal classification methods for mapping agri-
cultural tillage practices, Remote Sensing of Environment 91 (2004), no. 1, 90–97.

[282] A. L. Sprague, W. V. Boynton, K. E. Kerry, D. M. Janes, D. M. Hunten, K. J. Kim, R. C. Reedy,

and A. E. Metzger, Mars’ South Polar Ar Enhancement : A Tracer for South Polar Seasonal
Meridional Mixing, Science 306 (2004), 1364–1367.

[283] D. G. Stankevich, Yu. G. Shkuratov, and K. Muinonen, Shadow-hiding effect in inhomogeneous

layered particulate media, Journal of Quantitative Spectroscopy and Radiative Transfer 63 (1999),
no. 2-6, 445–458.

[284] S. D. Stearns, B. E. Wilson, and J. R. Peterson, Dimensionality reduction by optimal band selection
for pixel classification of hyperspectral imagery, Proc. SPIE Vol. 2028, p. 118-127, Applications
of Digital Image Processing XVI, Andrew G. Tescher ; Ed. (A. G. Tescher, ed.), October 1993,
pp. 118–127.

[285] N. S. Subotic, J. D. Gorman, and B. J. Thelen, Wavelet techniques for band selection and material
classification from hyperspectral data, Proc. SPIE Vol. 2480, p. 426-434, Imaging Spectrometry,
Michael R. Descour ; Jonathan M. Mooney ; David L. Perry ; Luanna R. Illing ; Eds., June 1995,
pp. 426–434.

[286] J. M. Sunshine and C. M. Pieters, Estimating modal abundances from the spectra of natural and
laboratory pyroxene mixtures using the modified Gaussian model, Journal of Geophysical Re-
search 98 (1993), 9075–9087.

242
 BIBLIOGRAPHIE

[287] , Determining the composition of olivine from reflectance spectroscopy, Journal of Geo-
physical Research 103 (1998), 13675–13688.

[288] O. Talagrand, F. Hourdin, and F. Forget, The LMD Martian General Circulation Model : Results
About the Annual Pressure Cycle, Bulletin of the American Astronomical Society, Bulletin of the
American Astronomical Society, vol. 23, June 1991, pp. 1217–+.

[289] D. Tanre, M. Herman, P. Y. Deschamps, and A. de Leffe, Atmospheric modeling for space mea-
surements of ground reflectances, including bidirectional properties, Applied Optics 18 (1979),
3587–3594.

[290] A. Tarantola and B. Valette, Generalized Nonlinear Inverse Problems Solved Using the Least
Squares Criterion, Reviews of Geophysics and Space Physics 20 (1982), 219–232.

[291] , Inverse Problems = Quest for Information, Journal of Geophysics 50 (1982), 159–170.

[292] and Gruber P. Theis, F., I. Keck, and L. Elmar, Functional mri analysis by a novel spatiotemporal
ica algorithm, Artificial Neural Networks : Biological Inspirations - ICANN 2005 : 15th Interna-
tional Conference (W. Duch, J. Kacprzyk, E. Oja, and S. Zadrozny, eds.), 2005, pp. 677–682.

[293] P. Thomas, J. Veverka, and R. Campos-Marquetti, Frost streaks in the south polar CAP of Mars,
Journal of Geophysical Research 84 (1979), 4621–4633.

[294] P. C. Thomas, M. C. Malin, K. S. Edgett, M. H. Carr, W. K. Hartmann, A. P. Ingersoll, P. B.

James, L. A. Soderblom, J. Veverka, and R. Sullivan, North-south geological differences between
the residual polar caps on Mars, Nature 404 (2000), 161–164.

[295] P. C. Thomas, M. C. Malin, P. B. James, B. A. Cantor, R. M. E. Williams, and P. Gierasch, South

polar residual cap of Mars : Features, stratigraphy, and changes, Icarus 174 (2005), 535–559.

[296] J. E. Tillman, N. C. Johnson, P. Guttorp, and D. B. Percival, The Martian annual atmospheric
pressure cycle - Years without great dust storms, Journal of Geophysical Research 98 (1993),
10963–+.

[297] T. N. Titus and H. H. Kieffer, Temporal and Spatial Distribution of Seasonal CO2 Snow and Ice,
Sixth International Conference on Mars (A. Albee, ed.), July 2003, pp. 3273–+.

[298] T. N. Titus, H. H. Kieffer, and P. R. Christensen, Exposed Water Ice Discovered near the South
Pole of Mars, Science 299 (2003), 1048–1051.

[299] T. N. Titus, H. H. Kieffer, K. F. Mullins, and P. R. Christensen, TES premapping data : Slab ice
and snow flurries in the Martian north polar night, Journal of Geophysical Research 106 (2001),
23181–23196.

[300] Frederic Trotta, Détermination des constantes optiques de glaces dans l’infrarouge moyen et loin-
tain. application aux grains du milieu interstellaire et des enveloppes circumstellaires., Ph.D.
thesis, Université Joseph Fourier - Grenoble I, 1996.

[301] V. Twersky, Multiple scattering of waves and optical phenomena, Journal of the Optical Society
of America (1917-1983) 52 (1962), 145–+.

[302] J. Veverka and J. Goguen, The Nonuniform Recession of the South Polar Cap of Mars, Journal of
the Royal Astronomical Society of Canada 67 (1973), 273–+.

[303] A. R. Wallace, Is mars habitable ?, Macmillan, London, 1907.

[304] W. R. Ward, B. C. Murray, and M. C. Malin, Climatic variations on Mars. 2. Evolution of carbon
dioxide atmosphere and polar caps., Journal of Geophysical Research 79 (1974), 3385–3395.

243
BIBLIOGRAPHIE

[305] S. G. Warren, W. J. Wiscombe, and J. F. Firestone, Spectral albedo and emissivity of CO2 in
Martian polar caps - Model results, Journal of Geophysical Research 95 (1990), 14717–14741.

[306] A. Wilhelm, E. Wegman, and J. Symanzik, Visual clustering and classification : The oronsay
particle size data set revisited, Computational Statistics : Special Issue on Interactive Graphical
Data Analysis 14 2 (1999), 109–146.

[307] Stephen E. Wood and David A. Paige, Modeling the martian seasonal co2 cycle 1. fitting the viking
lander pressure curves, Icarus 99 (1992), no. 1, 1–14.

[308] L. Yang and B. Kruse, Revised Kubelka-Munk theory. I. Theory and application, Journal of the
Optical Society of America A 21 (2004), 1933–1941.

[309] L. Yang, B. Kruse, and S. J. Miklavcic, Revised Kubelka-Munk theory. II. Unified framework for
homogeneous and inhomogeneous optical media, Journal of the Optical Society of America A 21
(2004), 1942–1952.

[310] L. Yang and S. J. Miklavcic, Revised Kubelka-Munk theory. III. A general theory of light propaga-
tion in scattering and absorptive media, Journal of the Optical Society of America A 22 (2005),
1866–1873.

[311] C. F. Yoder, A. S. Konopliv, D. N. Yuan, E. M. Standish, and W. M. Folkner, Fluid Core Size of
Mars from Detection of the Solar Tide, Science 300 (2003), 299–303.

[312] X. Zhang and C. H. Chen, New independent component analysis (ICA) method and its application
to remote sensing images, Proc. SPIE Vol. 4541, p. 146-156, Image and Signal Processing for
Remote Sensing VII, Sebastiano B. Serpico ; Ed. (S. B. Serpico, ed.), January 2002, pp. 146–156.

244
Table des figures

1.1 Schéma d’un cube hyperspectral. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

1.2 Principe du push-broom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3 Schéma de la géométrie d’acquisition en télédétection des surfaces planétaires (figure
d’après (29)). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.4 Exemple d’un spectre OMEGA en réflectance. . . . . . . . . . . . . . . . . . . . . . . . 24
1.5 Schéma de l’équation du transfert radiatif. C’est une équation de conservation de l’éner-
gie le long de la ligne de visée (figure d’après (29)). . . . . . . . . . . . . . . . . . . . . 27
1.6 Schéma des types d’assemblage. A chaque type d’assemblage est associé un mélange
spectral. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3.1 Classification manuelle spectrale par Douté et al. (64). La phase de réduction de dimen-
sionnalité spectrale MNF produit les deux axes PC 1 et 2. La classification consiste à
identifier une collection de points similaires, représentée en couleur sur ces graphes. Les
endmembers sont les spectres correspondants aux points les plus proches des pôles de
poussière (dust - rouge), d’eau (bleu) et de CO2 (vert). Ces pôles, représentés par des
points, sont les estimations des spectres Sz de chaque zone “z” si l’image est uniquement
en mélange géographique subpixel. La figure 6.4 page 120 représente ces classes sous
forme de carte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.2 Classification manuelle spectrale par Schmitt et al. (263). La phase de réduction de di-
mensionnalité spectrale ACP produit les deux axes PC 1 et 2 interprétés ici de manière
forte. La classification consiste à segmenter la collection de points en groupe considéré
comme similaire. Ces classes sont interprétées comme des classes d’abondance de corps,
représentées en couleur sur ces graphes. Les changements de direction du nuage de
points, notées par les flèches, sont interprétées comme des changements de représen-
tation de terrain. La figure 3.3 présente ces classes sous forme de carte. . . . . . . . . . . 62
3.3 Représentation en carte des classes déterminées de la classification manuelle spectrale
opérée dans un espace réduit (voir fig. 3.2). Cette classification a été réalisée par Schmitt
et al. (263). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.4 Classification manuelle spatiale de la calotte saisonnière sud (175). Mosaïque de 10
images OMEGA en projection stéréographique polaire sud. Les points en noir et blanc
indiquent l’albédo du continuum R(1, 07µm). Seul l’encadré coloré ne représente pas
l’albédo. La couleur rouge correspond à la profondeur de bande BCO2 (1, 43µm). Les
couleurs bleue et verte correspondent à BH2 O (1, 5µm) . La classification spatiale consiste
à identifier visuellement les quatre types de terrains a, b, c et d. . . . . . . . . . . . . . . 63

4.1 Spectres de référence de surface issus de simulation. Les longueurs d’ondes sont expri-
mées en microns. La glace d’eau est en rouge. La glace de CO2 est en bleu. . . . . . . . 79

245
TABLE DES FIGURES

4.2 Spectres de référence issus d’observations OMEGA. Les longueurs d’ondes sont expri-
mées en microns. En rouge le spectre de référence de la poussière martienne prise dans
la région polaire sud. En bleu, le spectre de nuage de glace d’eau dans la région de Hellas. 80
4.3 Spectres de référence, issus de mesures de laboratoire, en réflectance. Matériaux granu-
laires de gypse en rouge et de basalte en bleu. Le domaine entre 4 et 5 microns n’a pas
été mesuré mais simplement prolongé. (Acquisition au LPG par Antoine Pommerol) . . 80
4.4 Effet des angles d’observation pour un mélange intime de glace d’eau et poussière à
50% en masse, issu de l’expérience 1 (e : angle d’émergence / i : angle d’incidence). . . 83
4.5 Comportement des indicateurs de classification vis à vis de la géométrie d’acquisition
sur la détection d’H2 O dans l’expérience 1 (glace d’eau et poussières) avec atmosphère.
Chaque graphe représente la fraction en masse d’eau en fonction de l’indicateur de pré-
sence d’eau. En rouge, pour des angles d’incidence de 85° et d’émergence de 30° (angle
de phase le plus grand). En bleu, pour des angles d’incidence de 5° et d’émergence de 0°
(angle de phase le plus petit). Les croix noires sont les autres combinaisons d’angle. . . . 85
4.6 Comportement des indicateurs de classification vis à vis de la géométrie d’acquisition
pour la détection d’ H2 O dans l’expérience 1 (glace d’eau et poussières) sans atmo-
sphère. Chaque graphe représente la fraction en masse d’eau en fonction de l’indicateur
de présence d’eau. En rouge pour des angles d’incidence de 85° et d’émergence de 30°
(angle de phase le plus grand). En bleu pour des angles d’incidence de 5° et d’émergence
de 0° (angle de phase le plus petit). Les croix noires sont les autres combinaisons d’angle. 86
4.7 Comportement des indicateurs de classification vis à vis de la géométrie d’acquisition
sur la détection d’H2 O dans l’expérience 2 (glace d’eau, CO2 et poussières) avec atmo-
sphère. Chaque graphe représente la fraction en masse d’eau en fonction de l’indicateur
de présence d’eau. En rouge, pour des angles d’incidence de 85° et d’émergence de 30°
(angle de phase le plus grand). En bleu, pour des angles d’incidence de 5° et d’émergence
de 0° (angle de phase le plus petit). Les croix noires sont les autres combinaisons d’angle. 86
4.8 A gauche : carte de détection de sulfates et estimation d’“abondance” d’après Langevin
et al. (173). A droite : carte de l’angle de la méthode Wavanglet associée au pôle de
Gypse pour l’observation ORB0898_1. . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

5.1 Matrice de mélange associée aux sources de variance la plus élevée (Axe 1), la seconde
plus grande (Axe 2) et la troisième (Axe 3). Trois observations de la calotte permanente
sud sont mises en correspondances (noir : ORB0030_0 / rouge : ORB0041_1 / bleu :
ORB0061_1). Parfois ces axes ont été multipliés par -1. . . . . . . . . . . . . . . . . . . 101
5.2 Classification manuelle spectrale utilisant la MNF par Douté et al. (64) (voir figure 3.1
page 62). Les endmembers sont les spectres correspondants aux points les plus proches
des pôles de poussière (dust - rouge), d’eau (bleu) et de CO2 (vert). Les axes de couleurs
superposés à la classification représentent les trois axes supposés de poussière (rouge),
d’eau (bleu) et de CO2 (vert). Ces axes sont non-orthogonaux. . . . . . . . . . . . . . . 102
5.3 Rapport signal sur bruit de reconstruction (en dB) en fonction du nombre de sources
estimé avec la méthode JADE (cercles) et Fast ICA (losanges). . . . . . . . . . . . . . . 106
5.4 Estimation de 7 sources avec JADE sur l’observation ORB0041_1.CUB . . . . . . . . . 107
5.5 Estimation des 7 premiers axes de la matrice de mélange avec JADE sur l’observation
ORB0041_1.CUB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.6 Identification spectrale de l’axe de la matrice de mélange associé à la glace d’eau et à
la glace de CO2 en utilisant la méthode JADE sur l’observation ORB0041_1.CUB. Les
spectres en pointillés sont les spectres de référence synthétiques utilisés pour la méthode
Wavanglet (voir section 4.1.1 page 78) . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

246
 TABLE DES FIGURES

6.1 Sources estimées pour l’observation ORB0041_1.CUT comparées aux spectres de réfé-
rences de glace d’eau, glace de CO2 et de poussières (graphes (a) à (c)). Le graphe (d)
représente la qualité de la reconstruction spectrale ou SNR spectral (en dB) en noir et un
spectre de transmission atmosphérique en pointillé. . . . . . . . . . . . . . . . . . . . . 119
6.2 Matrice de mélange pour l’observation ORB0041_1.CUT sans renormalisation (graphes
(a) à (c)) et avec renormalisation (graphes (d) à (f)). . . . . . . . . . . . . . . . . . . . . 119
6.3 Comparaison cartes d’estimations d’abondances de glace d’eau et de CO2 pour l’obser-
vation ORB0041_1.CUT. En haut : la méthode JADE+BPSS décrite dans cette section.
En bas : la méthode des rapports de bande, pour la glace d’eau (voir équation 2.4) et de
CO2 (voir équation 2.6). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
6.4 Classes de l’image ORB0041_1.CUT d’après Douté et al. (64). En vert la glace de CO2 ,
en marron la glace de CO2 ayant le minimum d’impuretés en glace d’eau (0,02 % en
masse), en violet la glace d’eau, en bleu clair la glace d’eau ayant des impuretés de CO2 .
La classification manuelle associée est présentée à la figure 3.1 page 62. . . . . . . . . . 120
6.5 Sources identifiées aux trois composants : glace d’eau (a,d,g,j), glace de CO2 (b,e,h,k) et
poussière (c,f,i,l). Test sur des images hyperspectrales OMEGA complètes. . . . . . . . 121

7.1 Définition de la date crocus. C’est le point d’inflexion dans le signal temporel de tempé-
rature de brillance (figure d’après (153)). . . . . . . . . . . . . . . . . . . . . . . . . . . 134
7.2 Comparaison de la surface couverte de dépôts saisonniers entre le GCM “Mars Climate
Database” et les données Viking (138) (cercle). Les différentes lignes correspondent à
la latitude équivalente pour plusieurs scenarii de profondeur optique de poussière (figure
d’après (190)). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
7.3 Pression atmosphérique martienne : (a) pression au sol mesurée par Viking Lander 1 et
2 ; (b) en bas : pression atmosphérique équivalente stockée dans les calottes saisonnières ;
(b) en haut : pression atmosphérique à l’altitude 0 (voir eq. 7.9). Figure d’après Hourdin
et al. (121). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
7.4 Schéma de la formation des geysers. D’après Piqueux et al. (242). . . . . . . . . . . . . 140
7.5 Observation MOC des Spiders. D’après Piqueux et al. (242). . . . . . . . . . . . . . . . 140
7.6 Observation MOC à Ls=208° des liens entre les “spiders” et geysers. Les traînées
sombres de dépôt de poussière ont comme point d’origine les centres des “spiders”.
D’après Piqueux et al. (242). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
7.7 SCOOP : Série d’images MOC à haute résolution dans la région “Inca City” montrant
l’évolution d’une colonie de bactéries. D’après (92). . . . . . . . . . . . . . . . . . . . . 142
7.8 Progression des dépressions du Gruyère Suisse de la calotte saisonnière sud. En haut,
image MOC prise le 19/10/1999 à Ls=227°. En bas, image prise MOC le 23/08/2001 à
Ls=219°. Illumination d’en haut à gauche. D’après (201). . . . . . . . . . . . . . . . . . 143

8.1 Carte en projection stéréographique sud de la récession de la calotte saisonnière sud entre
Ls=110° et Ls=170°, observée par OMEGA et analysée avec la méthode Wavanglet (voir
chapitre 4 page 77). Les canaux RVB correspondent respectivement aux angles de glace
d’eau, de glace de CO2 et de poussière. La couleur rouge/rose résultante correspond à
la glace de CO2 , la couleur bleue/verte correspond à la glace d’eau et la couleur jaune
correspond à la poussière. Le fond en noir et blanc est la topographie MOLA, représentée
seule sur l’avant dernière planche. La dernière planche représente la grille en latitude et
longitude avec un pas de 20°. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
8.2 Carte en projection stéréographique sud de la récession de la calotte saisonnière sud entre
Ls=180° et Ls=256°, observée par OMEGA et analysée avec la méthode Wavanglet (voir
chapitre 4 page 77). Idem figure 8.1 mais avec un zoom sur la portion d’intérêt (voir
échelle sur la figure 8.4). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152

247
TABLE DES FIGURES

8.3 Carte en projection stéréographique sud de la récession de la calotte saisonnière sud entre
Ls=256° et Ls=280°, observée par OMEGA et analysée avec la méthode Wavanglet (voir
chapitre 4 page 77). Idem figure 8.1 mais avec un zoom sur la portion d’intérêt (voir
échelle sur la figure 8.4). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
8.4 Carte en projection stéréographique sud de la récession de la calotte saisonnière sud entre
Ls=280° et Ls=330°, observée par OMEGA et analysée avec la méthode Wavanglet (voir
chapitre 4 page 77). Idem figure 8.1 mais avec un zoom sur la portion d’intérêt. Le fond
en noir et blanc est la topographie MOLA, représentée seule sur l’avant dernière planche.
La dernière planche représente la grille en latitude et longitude avec un pas de 20°. . . . 154
8.5 Caractérisation de l’asymétrie de la récession des dépôts de CO2 au Sud. Détermination
de l’évolution de la ligne crocus au cours du temps pour le secteur cryptique et le sec-
teur anticryptique. Les lignes crocus interne et externe sont définies à la section 8.2.1
page 163. Les points de la lignes crocus interne du secteur cryptique, anormalement
proche du pôle sud, entre Ls=180° et Ls=230°, sont dus à des absences de détection
de glace de CO2 . Il s’agit très probablement d’une couverture de la glace de CO2 par
une couche optiquement épaisse de régolithe (voir section [Link] page 139). Ces points
peuvent être ignorés. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
8.6 Conduction de chaleur dans le sous-sol en fonction du temps pour les latitudes 85°S et
55°S. La puissance est exprimée en équivalent de masse de CO2 sublimée par jour et par
m2 . Les traits pleins, (respect. en pointillés) corrrespondent à des inerties thermiques de
1000 J.m−2 .s−1/2 .K−1 (respect. de 20 J.m−2 .s−1/2 .K−1 ). . . . . . . . . . . . . . . . . . 159
8.7 Loi empirique d’évolution de l’albédo visible au cours du temps pour les secteurs cryp-
tique et anticryptique. La ligne pointillée correspond à la loi empirique (voir eq. 8.11 et
8.12). Les points de couleurs correspondent aux albédos de CO2 mesurés par OMEGA
dans le continuum à 1,07 microns, et moyennés en latitude. Les albédos équivalents sont
utilisés dans une argumentation disponible dans l’article (voir annexe 15 page 223). . . . 161
8.8 Description de la zone de transition par la distance snowdrop, définie entre la ligne crocus
interne et la ligne crocus externe. Ces observables sont définies sur un profil méridien de
la fraction de surface couverte de glace de CO2 . . . . . . . . . . . . . . . . . . . . . . . 164
8.9 Illustration du rapport R̂stat qui définit les extrêmes de la distribution (voir texte). . . . . 168
8.10 Évolution temporelle (en °Ls) des profils méridiens de P̂stat (MCO2 ) répartis entre les lon-
gitudes 0°E et 60°E. Les croix rouges représentent les lignes crocus internes et externes.
Le fond de blanc à bleu foncé correspond à la largeur de la distribution de la masse de
CO2 sublimée mesurée par l’indicateur statistique P̂stat . . . . . . . . . . . . . . . . . . . 170
8.11 Évolution temporelle (en °Ls) des profils méridiens de P̂stat (MCO2 ) répartis entre les lon-
gitudes 60°E et 120°E. Les croix rouges représentent les lignes crocus internes et ex-
ternes. Le fond de blanc à bleu foncé correspond à la largeur de la distribution de la
masse de CO2 sublimée mesurée par l’indicateur statistique P̂stat . . . . . . . . . . . . . . 171
8.12 Évolution temporelle (en °Ls) des profils méridiens de P̂stat (MCO2 ) répartis entre les lon-
gitudes 120°E et 180°E. Les croix rouges représentent les lignes crocus internes et ex-
ternes. Le fond de blanc à bleu foncé correspond à la largeur de la distribution de la
masse de CO2 sublimée mesurée par l’indicateur statistique P̂stat . . . . . . . . . . . . . . 172
8.13 Évolution temporelle (en °Ls) des profils méridiens de P̂stat (MCO2 ) répartis entre les lon-
gitudes 180°E et 240°E. Les croix rouges représentent les lignes crocus internes et ex-
ternes. Le fond de blanc à bleu foncé correspond à la largeur de la distribution de la
masse de CO2 sublimée mesurée par l’indicateur statistique P̂stat . . . . . . . . . . . . . . 173
8.14 Évolution temporelle (en °Ls) des profils méridiens de P̂stat (MCO2 ) répartis entre les lon-
gitudes 240°E et 300°E. Les croix rouges représentent les lignes crocus internes et ex-
ternes. Le fond de blanc à bleu foncé correspond à la largeur de la distribution de la
masse de CO2 sublimée mesurée par l’indicateur statistique P̂stat . . . . . . . . . . . . . . 174

248
 TABLE DES FIGURES

8.15 Évolution temporelle (en °Ls) des profils méridiens de P̂stat (MCO2 ) répartis entre les lon-
gitudes 300°E et 360°E. Les croix rouges représentent les lignes crocus internes et ex-
ternes. Le fond de blanc à bleu foncé correspond à la largeur de la distribution de la
masse de CO2 sublimée mesurée par l’indicateur statistique P̂stat . . . . . . . . . . . . . . 175
8.16 Évolution temporelle (en °Ls) des profils méridiens de P̂stat (1 − Avis ) répartis entre les
longitudes 0°E et 60°E. Les croix rouges représentent les lignes crocus interne et externe.
Le fond de couleur correspond à la largeur de la distribution du facteur d’absorption du
CO2 à 1,07 microns mesuré par l’indicateur statistique P̂stat sur les observations OMEGA. 176
8.17 Évolution temporelle (en °Ls) des profils méridiens de P̂stat (1 − Avis ) répartis entre les
longitudes 60°E et 120°E. Les croix rouges représentent les lignes crocus interne et ex-
terne. Le fond de couleur correspond à la largeur de la distribution du facteur d’absorp-
tion du CO2 à 1,07 microns mesuré par l’indicateur statistique P̂stat sur les observations
OMEGA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
8.18 Évolution temporelle (en °Ls) des profils méridiens de P̂stat (1 − Avis ) répartis entre les
longitudes 120°E et 180°E. Les croix rouges représentent les lignes crocus interne et ex-
terne. Le fond de couleur correspond à la largeur de la distribution du facteur d’absorp-
tion du CO2 à 1,07 microns mesuré par l’indicateur statistique P̂stat sur les observations
OMEGA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
8.19 Évolution temporelle (en °Ls) des profils méridiens de P̂stat (1 − Avis ) répartis entre les
longitudes 180°E et 240°E. Les croix rouges représentent les lignes crocus interne et ex-
terne. Le fond de couleur correspond à la largeur de la distribution du facteur d’absorp-
tion du CO2 à 1,07 microns mesuré par l’indicateur statistique P̂stat sur les observations
OMEGA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
8.20 Évolution temporelle (en °Ls) des profils méridiens de P̂stat (1 − Avis ) répartis entre les
longitudes 240°E et 300°E. Les croix rouges représentent les lignes crocus interne et ex-
terne. Le fond de couleur correspond à la largeur de la distribution du facteur d’absorp-
tion du CO2 à 1,07 microns mesuré par l’indicateur statistique P̂stat sur les observations
OMEGA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
8.21 Évolution temporelle (en °Ls) des profils méridiens de P̂stat (1 − Avis ) répartis entre les
longitudes 300°E et 360°E. Les croix rouges représentent les lignes crocus interne et ex-
terne. Le fond de couleur correspond à la largeur de la distribution du facteur d’absorp-
tion du CO2 à 1,07 microns mesuré par l’indicateur statistique P̂stat sur les observations
OMEGA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181

12.1 Comportement de la classification d’ordre 1 et 2 face à la malédiction de dimensionnalité

(d’après (181)). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
12.2 Phénomène de Hughes pour deux classes équiprobables (d’après (125)). . . . . . . . . . 216

249
Liste des tableaux

1.1 Caractéristiques spectrales de l’instrument OMEGA à bord de Mars Express. . . . . . . 21

2.1 Canaux spectraux purs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

2.3 Tableau récapitulatif des propriétés des méthodes de réduction de dimensionnalité ma-
nuelles et automatiques supervisées. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.5 Tableau récapitulatif des propriétés des méthodes de réduction de dimensionnalité auto-
matiques non-supervisées. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

3.1 Tableau récapitulatif des méthodes manuelles et automatiques nécessitant une base spec-
trale de référence. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.2 Tableau récapitulatif des méthodes automatiques supervisées nécessitant une base de
distribution spectrale de référence. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.3 Tableau récapitulatif des méthodes automatiques non-supervisées. . . . . . . . . . . . . 75

4.1 Caractéristiques physiques des spectres de référence synthétiques. . . . . . . . . . . . . 78

4.2 Tableau récapitulatif des méthodes de classification spatiales . . . . . . . . . . . . . . . 88

5.1 Comparaison entre l’ACP spatiale et l’ACP spectrale . . . . . . . . . . . . . . . . . . . 100

5.2 Comparaison entre l’ACI spatiale et l’ACI spectrale . . . . . . . . . . . . . . . . . . . . 104
5.3 Tableau récapitulatif des propriétés des méthodes de séparation de sources supervisée. . . 112
5.4 Tableau récapitulatif des propriétés des méthodes de séparation de sources non-supervisée.113

6.1 Proportion relative des spectres contenant de la glace d’eau et de CO2 en utilisant l’algo-
rithme supervisé Wavanglet. L’image ORB0041_1.CUT correspond aux 300 premières
lignes telle qu’utilisée à la section précédente et dans l’article (voir annexes 14 page 221). 121

8.1 Tableau récapitulatif du bilan de masse sublimée lors de la récession de la calotte sai-
sonnière sud dans le secteur cryptique. Les deux premières lignes correspondent aux
mesures de HEND/GRS. Les deux lignes suivantes sont les estimations des masses de
CO2 sublimées en supposant la loi empirique d’augmentation de l’albédo. Les quatre
dernières lignes correspondent à la contribution de l’onde de chaleur annuelle (section
[Link]). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
8.2 Tableau récapitulatif du bilan de masse sublimée lors de la récession de la calotte sai-
sonnière sud dans le secteur anticryptique. Les deux premières lignes correspondent aux
mesures de HEND/GRS. Les deux lignes suivantes sont les estimations des masses de
CO2 sublimées en supposant la loi empirique d’augmentation de l’albédo. Les quatre der-
nières lignes correspondent à la contribution de l’onde de chaleur annuelle (voir section
[Link]). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
8.3 Relation entre R̂stat et l’indicateur statistique P̂stat . . . . . . . . . . . . . . . . . . . . . 168

251
Liste des publications et communications

Publications dans des revues à comité de lecture

Schmidt, F. ; Douté, S. ; Schmitt, B. ; Langevin Y. ; Bibring J.-P. & Omega Team. Does albedo control
predominantly the Seasonal South Polar Cap recession ?, Icarus (soumis), 2007
Moussaoui, S. ; Hauksdóttir, H. ; Schmidt, F. ; Jutten, C. ; Chanussot, J. ; Brie, D. ; Douté, S. & Bene-
diksson, J. A. On the Decomposition of Mars Hyperspectral data by ICA and Bayesian positive source
separation, Neurocomputing (accepted), 2007
Schmidt, F. ; Doute, S. & Schmitt, B. WAVANGLET : An Efficient Supervised Classifier for Hyper-
spectral Images, Geoscience and Remote Sensing, IEEE Transactions on, 2007, 45, 1374-1385

Résumés soumis à des conférences internationales

Schmidt∗ , F. ; Douté, S. ; Schmitt, B. ; Langevin, Y., Bibring J.-P. and the OMEGA Team. Effect of
albedo and surface roughness on the seasonal south polar cap recession of Mars, European Mars Science
& Exploration Conference : Mars Express & ExoMars, 2007 [oral]
Schmidt∗ , F. ; Douté, S. ; Schmitt, B. ; Langevin, Y. & Bibring, J.-P. Is albedo the key parameter that
controls the seasonal south polar cap recession of Mars ?, European Planetary Science Congress, 2007
[oral]
Schmidt∗ , F. ; Douté, S. ; Schmitt, B. ; Langevin, Y. ; Bibring, J.-P. & Omega Team. Does Insola-
tion Control the Seasonnal South Cap Recession of Mars ?, Lunar and Planetary Institute Conference
Abstracts, 2007, 38, 1743-+ [oral]
Douté, S. ; Deforas, E. ; Schmidt, F. ; Oliva, R. & Schmitt, B. A Comprehensive Numerical Package
for the Modeling of Mars Hyperspectral Images, Lunar and Planetary Institute Conference Abstracts,
2007, 38, 1836-+
Jutten∗ , C. ; Moussaoui, S. & Schmidt, F. How to Apply ICA on Actual Data ? Example of Mars
Hyperspectral Image Analysis, 15th International Conference on Digital Signal Processing, 2007, 3-12
Douté, S. ; Langevin, Y. ; Schmidt∗ , F. ; Schmitt, B. ; Vincendon, M. ; Bibring, J. P. ; Poulet, F. ; De-
foras, E. & Gondet, B. Monitoring and Physical Characterization of the South Seasonal Cap of Mars
from Omega Observations, Fourth International Conference on Mars Polar Science and Exploration, LPI
Contributions, 2006, 1323, 8030-+ [poster]
Schmitt∗ , B. ; Schmidt, F. ; Douté, S. ; Langevin, Y. ; Forget, F. ; Bibring, J.-P. ; Gondet, B. & Omega
Team Recession of the Northern Seasonal Condensates on Mars by OMEGA/Mars Express, Fourth In-
ternational Conference on Mars Polar Science and Exploration, LPI Contributions, 2006, 1323, 8050-+
Schmidt∗ , F. ; Doute, S. & Schmitt, B. Following the south polar cap recession as viewed by
OMEGA/MEX using automatic detection of H2O and CO2 ices. European Planetary Science Congress
2006, 2006, 159-+ [oral]

253
LISTE DES PUBLICATIONS ET COMMUNICATIONS

Douté∗ , S. ; Langevin, Y. ; Schmidt, F. ; Schmitt, B. ; Vincendon, M. ; Bibring, J. P. ; Poulet, F. &

Gondet, B. Physical characterization of the south seasonal cap of Mars during its recession from OMEGA
observations, 36th COSPAR Scientific Assembly, 2006, 36, 2240-+
Hauksdóttir∗ , H. ; Moussaoui, S. ; Schmidt, F. ; Jutten, C. ; Chanussot, J. & Brie, D. Mars Hyper-
spectral Data Processing using ICA and Bayesian Positive Source Separation, Bayesian Inference and
Maximum Entropy Methods In Science and Engineering, 2006, 872, 113-122
Hauksdottir∗ , H., Jutten, C., Schmidt, F., Chanussot, J., Benediktsson, J., & Douté, S. The Physical
Meaning of Independent Components and Artifact Removal of Hyperspectral Data from Mars using
ICA, 7th Nordic Signal Processing Symposium (NORSIG’2006), Reykjavik, Iceland, 2006 (student price
award).
Schmidt∗ , F. ; Douté, S. ; Schmitt, B. ; Bibring, J. & Langevin, Y. Automatic Detection of H2O and
CO2 Ices in OMEGA/MEX Images for the Monitoring of the South Polar Cap Recession, 37th Annual
Lunar and Planetary Science Conference, 2006, 37, 1979-+ [poster]
Schmidt∗ , F. ; Doute, S. ; Schmitt, B. & OMEGA Team. Test of Statistical Methods for the Classifi-
cation of Polar Terrains on Mars Observed by OMEGA, First Mars Express Conference, 2005 [poster]

Résumés soumis à des conférences nationales

Schmidt∗ , F. ; Doute, S. ; Schmitt, B. ; Langevin, Y. & Bibring, J.-P. Quels sont les paramètres ma-
jeurs contrôlant la récession de la calotte saisonnière sud de Mars ?, Société Française d’Astronomie et
d’Astrophysique, Grenoble, 2007 [oral]
Schmidt∗ , F. ; Doute, S. ; Schmitt, B. & OMEGA Team. Récession de la calotte Sud de Mars vue par
OMEGA, Programme National de Planétologie, Nancy, 2006 [oral]

Conférence grand public

Schmidt, F. ; Jourdain, N. & Hok, S. sous la direction de Auzas, N. ; Cohen, N. & Scarpa, S. Les fron-
tières (géo)physiques, Les Frontières en Question, Presses Universitaires de Grenoble, 2007 Castebrunet,
H. ; Fain, X. & Schmidt, F. Climat sur Terre et Mars, Salon Naturissima, Grenoble, 2006
Brossard, D. & Schmidt, F. Sons d’ici et d’ailleurs, Festival de Terre, Grenoble, 2006

254
 R ÉSUMÉ : L’étude des surfaces planétaires a été profondément modifiée par la dernière génération
d’instruments spatiaux : les spectro-imageurs. Ces détecteurs produisent de nombreuses images hyper-
spectrales, pour lesquelles chaque pixel est associé à un spectre. Ils permettent un suivi spatial et temporel
des propriétés optiques des sols. Le premier objectif de cette thèse est de proposer des outils permettant
de traiter la grande quantité d’images et de spectres afin d’aborder des problématiques planétologiques.
Deux types d’analyse des images produites par l’instrument OMEGA (Mars Express/ESA) sont avan-
cés : (i) WAVANGLET, une méthode rapide de détection des corps chimiques au sol, (ii) JADE+BPSS,
une séparation de source en aveugle qui détecte des corps chimiques sans a priori.
Les régions polaires de Mars sont le siège d’un cycle climatique annuel d’échange de CO2 entre
atmosphère et surface. Pendant la nuit polaire, le CO2 atmosphérique se condense au sol, tandis qu’il se
sublime à nouveau, dès les premiers rayons du soleil. Ce cycle a été mis à jour depuis les années 60 mais
aujourd’hui encore, la microphysique d’interaction surface/atmosphère demeure inconnue. Le second
objectif de cette thèse est d’établir un modèle de sublimation des dépôts saisonniers. Le bilan de masse
est simulé par un bilan radiatif sur une surface rugueuse. La confrontation de ce modèle avec différents
jeux de données spatiales a permis de montrer que la sublimation de la calotte saisonnière sud de Mars
est contrôlée majoritairement par son albédo. Des études ultérieures seront nécessaires pour saisir les
mécanismes à l’origine des variabilités d’albédo (métamorphisme, contamination en poussière, . . . ).

M OTS CLEFS : Mars, pôle, glace de CO2 , glace d’H2 O, eau, télédétection, hyperspectral, spec-
troscopie, OMEGA, Mars Express, grande base de données, classification, détection, supervisée, non-
supervisée, séparation de source en aveugle, climat, cycle saisonnier, dépôts saisonniers, récession de la
calotte saisonnière sud, bilan de masse, ombre.

S UMMARY : Imaging spectrometer, the last generation of space instruments, strongly modify the
study of planetary surfaces. Those detectors record manifold hyperspectral images (an image for which
each pixel is associated with a spectrum). Such instrument allows us to follow the soil optical properties
through space and time. The first objective of my thesis is to propose some tools to analyse a huge amount
of images and spectra in planetological perspectives. Two types of methods are introduced to examine
the data acquired by the OMEGA instrument (Mars Express/ESA) : (i) WAVANGLET, a fast detection
algorithm to identify the presence of chemical species at the ground, (ii) JADE+BPSS, a blind source
separation method that is able to detect chemical species without a priori.
The Martian annual cycle of CO2 consist of an exchange between surface and atmosphere, which
is particularly relevant in Polar Regions. During the polar night, atmospherical CO2 condensate at the
ground, whereas it starts to sublimate again during the spring, when the solar light heat up the surface.
This major climatic cycle has been revealed in the 1960th but even today, the microphysic of interaction
between surface and atmosphere is still unknown. The second objective of this thesis is to build a model
of the seasonal deposit sublimation. The mass balance is simulated by a radiative balance on a rough
surface. The confrontation of this model with various dataset shows that the seasonal south polar cap
sublimation is mainly controlled by its albedo. Further studies must determine the exact mechanisms in
the origin of this albedo variability (metamorphism, dust contamination,. . . ).

K EY W ORD : Mars, pole, CO2 ice, H2 O ice, water, remote sensing, hyperspectral, spectroscopy,
OMEGA, Mars Express, mass data, classification, detection, supervised, unsupervised, blind source se-
paration, climate, seasonal cycle, seasonal south polar cap recession, mass balance, shadowing function.