techniciens, Maurice Duchaffaut, Bernard Brient, Roger - Locean

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