techniciens, Maurice Duchaffaut, Bernard Brient, Roger - Locean
techniciens, Maurice Duchaffaut, Bernard Brient, Roger - Locean
techniciens, Maurice Duchaffaut, Bernard Brient, Roger - Locean
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
4. Sélection de la distance minimum<br />
sélection du neurone qui a la plus petite distance au pas de temps t<br />
5. Actualise les poids, la taille du voisinage du neurone et le gain<br />
changement des poids du neurone gagnant et du voisinage selon la formule :<br />
w ij (t+1) = w ij (t) + η(t)(x i(t) – wij(t)) avec 0 ≤ i ≤ n-1<br />
décroissance du gain dans le temps<br />
6. Répète l’opération jusqu’à convergence<br />
Figure 21. Algorithme de l’apprentissage du réseau de neurones par cartes auto-organisées.<br />
Une fois l’apprentissage réalisé, le réseau est appliqué aux paramètres d’entrée de la<br />
deuxième moitié du jeu de données afin de déterminer les pCO 2 par le réseau de neurones et de<br />
comparer avec les pCO 2 observées. De même des régressions entre pCO2 et les paramètres<br />
d’entrée, position, SST sont réalisées pour chaque mois sur le même jeu de données utilisé pour<br />
l’apprentissage et le reste du jeu de données est utilisé pour vérifier l’estimation de pCO 2 par les<br />
régressions. Le mois d’avril n’a pas été pris en compte par manque de données. L’erreur sur la<br />
prédiction de pCO 2, RSD, est calculée par :<br />
∑ 2<br />
( Yi<br />
− X<br />
i<br />
)<br />
RSD = (20)<br />
N − 2<br />
où Y i est la valeur prédite par le réseau de neurones ou la régression, Xi est la valeur observée<br />
et N le nombre d’observations.<br />
La comparaison des deux méthodes a montré que le réseau de neurones était plus performant<br />
pour prédire les pCO observées que les régressions (tableau 4).<br />
2<br />
Tableau 4. Erreur sur la prédiction de pCO 2 par le réseau de neurones (NNET), par les<br />
régressions (REG) et nombre de données (N).<br />
Jan Fév Mar Mai Juin Juil Aout Sep Oct Nov Déc<br />
NNET 6.3 10.6 4.3 7.5 9.9 9.0 6.2 5.3 4.5 2.9 6.4<br />
REG 5.4 88.1 4.1 53 19.4 22.0 48.9 27.3 19.2 23.1 7.0<br />
N 521 2505 693 8053 8539 13724 8604 9986 8761 4796 1662<br />
Le réseau de neurones est un bon outil pour créer des cartes de pCO 2 à partir d’un nombre de<br />
données limité et donne des résultats encourageants. L’utilisation de cette technique nécessite<br />
de bien déterminer les paramètres d’entrée du réseau de neurones afin de permettre de prendre<br />
en compte les processus responsables de la variabilité de pCO 2 dans l’océan. L’apprentissage à<br />
partir de données in situ permet ensuite d’obtenir des cartes à partir de paramètres d’entrée<br />
obtenus par les mesures satellites. Toutefois, un des problèmes majeurs reste l’activité<br />
biologique. Les cartes de couleur de l’océan fournissent la concentration en chlorophylle et il<br />
existe une corrélation entre pCO 2 et la chlorophylle, pCO2 diminuant fortement lors de la<br />
photosynthèse, mais une fois la chlorophylle disparue, la décroissance de pCO 2 subsiste en<br />
raison de la lenteur des échanges gazeux entre l’océan et l’atmosphère. Ce processus est<br />
difficile à prendre en compte dans des régressions ou un réseau de neurones. Seul un modèle où<br />
l’équation d’évolution du CO 2 est explicitée permet de tenir compte de ce processus.<br />
L’obtention de cartes de pCO 2 par différentes méthodes d’interpolation à partir de données<br />
collectées pour une période donnée permettrait de déterminer l’évolution temporelle du flux airmer<br />
de CO d’une période à une autre.<br />
2<br />
32