@InProceedings{2023_doute1126,
	author = "Sylvain Douté and Florence Forbes and Stanislaw Borkowski and Samuel Heidmann and Luc Meyer",
	title = "Massive analysis of multidimensional astrophysical data by inverse regression of physical models.",
	booktitle = "29° Colloque sur le traitement du signal et des images",
	year = "2023",
	publisher = "GRETSI - Groupe de Recherche en Traitement du Signal et des Images",
	number = "2023-1126",
	pages = "p. 245-248",
	month = "Aout # 6 - Sept # 9",
	address = "Grenoble",
	doi = "",
	pdf = "2023_doute1126.pdf",
	abstract = "Les sciences modernes de l'observation telles que la géophysique, l'astrophysique, l'imagerie médicale, etc. produisent un volume énorme de données de haute dimension. Une approche puissante pour analyser ces données et récupérer des informations d'intérêt utilise le formalisme bayésien pour inverser des modèles physiques. Dans cet article, nous montrons l'application d'une méthode basée sur une approche statistique de régression inverse - GLLiM - qui a l'avantage de produire des  distributions approximant les lois à posteriori cibles. Ces distributions peuvent également être utilisées pour des prédictions plus fines à l'aide d'un échantillonnage d'importance tout en fournissant un moyen de mieux explorer le problème inverse lorsque plusieurs solutions équivalentes existent et d'effectuer une estimation du niveau d'incertitude. Dans cet article, notre objectif est de présenter une application de GLLiM à l'analyse d'une séquence d'images hyperspectrales acquises depuis l'espace pour la même scène martienne et de présenter le logiciel PlanetGLLiM.

Modern observational sciences such as geophysics, astrophysics, medical imaging, etc. produce huge volumes of high-dimensional data. One powerful approach to analyse such data and retrieve information of interest is Bayesian formalism to inverse physical models on the data. In this paper, we show the application of a method based on a statistical inverse regression - GLLiM- that has the advantage to produce full probability distributions as approximations of the target posterior distributions. These distributions can also be used for further refined predictions using importance sampling while also providing a way to better explore the inverse problem when multiple equivalent solutions exist and to carry out uncertainty level estimation. In this paper, we present an application of GLLiM for the analysis of a sequence of hyperspectral images acquired from space for the same Martian scene and present the PlanetGLLiM software..pdf",
}