10 février 2021

Télédétection spatiale et aérienne : un peu de théorie

 

Retrouvez toutes nos autres videos sur notre chaîne YouTube

 

La télédétection spatiale regroupe l’ensemble des techniques liées à la reconnaissance d’objets sur la surface terrestre par le biais de capteurs embarqués sur des satellites. Ces capteurs peuvent être sensibles à différentes bandes du spectre électromagnétique selon le satellite concerné, et sont très variables en termes de résolution spatiale. S’ils sont différents selon ces aspects, ils se rejoignent pour la majorité sur le type d’orbite qu’ils occupent, à savoir des orbites héliosynchrones (inférieures à 1000 km), permettant une revisite quotidienne d’une région donnée à la même heure solaire, autorisant une étude temporelle cohérente de par l’éclairement similaire tout au long de la période d’observation. Cette variété de capteurs offre la possibilité d’étudier énormément de phénomènes, aussi bien à la surface de la Terre que dans son atmosphère.

L’imagerie spatiale a des intérêts évidents en matière d’environnement notamment sur des questions comme le changement climatique que l’on observe et ressent de plus en plus depuis ces deux dernières décennies. En effet, la nature des satellites permet des observations et des études à différentes échelles (locales ou globales) et une fois le satellite en service, il a la capacité à acquérir des données fréquemment et à moindres coûts.

 

Half Dome à Yosemite Park vu par Sentinel-2 (à gauche) et Sentinel-1 (à droite)

 

À l’origine dédiés à des usages militaires, parmi les nouveaux satellites lancés pour observer la Terre, nombre d’entre eux font aujourd’hui partie de programmes civils. Les données sont donc publiques (avec un accès payant ou gratuit selon la donnée concernée) :

  • Le programme Landsat américain est l’un des premiers programmes civils. Il a compté huit générations de satellites jusqu’à aujourd’hui. Les satellites sont dotés de capteurs optiques sensibles à des bandes spectrales visibles et infra-rouges, pour une résolution de 30 m dans ces bandes spectrales. Landsat 9 est prévu pour fin 2020, et acquerra des images d’une résolution de 15 m.

 

  • En Europe, le duo de satellites de la série Sentinel-1 est lancé en 2014 et 2016, et initie le vaste programme Copernicus de surveillance des surfaces de la Terre. La capacité d’offrir des données fiables rapidement sur un large périmètre de sujets concernant les domaines de l’environnement, du climat et de la sécurité à l’Europe est l’objectif visé par ce programme. Les données qui en sont issues couvrent aussi bien la surface terrestre, les océans et l’atmosphère. Cette initiative constitue une révolution pour la télédétection spatiale sur de multiples aspects : diversité des capteurs (radar, optiques, météorologiques), période de revisite élevée (5 jours) des zones imagées permettant l’analyse de phénomènes temporels, gratuité des données. Les données Sentinel-2, acquises dans des bandes des spectres visible et infrarouge, ont des résolutions variables selon la nature de la bande spectrale : pour les quatre bandes dont l’utilisation est la plus fréquente (bleu, vert, rouge, proche infrarouge), la résolution est de 10m. L’ensemble des données Sentinel est disponible sur le portail https://www.sentinel-hub.com/.

 

  • Pour l’analyse spatiale plus fine de territoires dont la variation de paysages est importante, les milieux urbains par exemple, il existe une offre importante en terme de capteurs. Le tandem de satellites SPOT 6 et SPOT 7 proposent des images à une résolution de 1,5 m. On parle d’images à très haute résolution spatiale. Lancés respectivement en 2012 et 2014, ils opéreront jusqu’en 2024. Ces satellites sont dits « agiles » car ils ont la capacité de dépointer, c’est-à-dire de modifier leur orientation dans l’espace, augmentant la capacité de revisite du satellite au-dessus d’un territoire donné.
    Les satellites Pleiades donnent accès à des résolutions submétriques, très adaptées pour des scènes urbaines denses. Également dotés de gyroscopes, ils peuvent aisément changer d’orientation pour acquérir des bandes d’images en configuration stéréoscopique, autorisant la reconstruction 3D de la zone imagée. De début 2021 jusqu’en 2022 seront lancés les quatre satellites qui composent la nouvelle génération baptisée Pleiades Neo, dont les capteurs atteindront la résolution de 30 cm pour répondre à la concurrence des satellites Worldview.
    Les zones acquises par les satellites à très haute résolution spatiale sont plus petites que pour des satellites type Landsat ou Sentinel-2, avec moins de bandes spectrales. En effet, sur une même étendue géographique, un accroissement de la résolution spatiale implique une augmentation conséquente de l’espace occupé en mémoire par les images.

 

L’évolution rapide de la surface de la Terre et de son atmosphère ont motivé le lancement de tous ces satellites imageurs pour comprendre les mécanismes naturels ou anthropiques impliqués dans ces mécanismes grâce aux données acquises par ces différents capteurs. La quantité de données générées par l’ensemble de ces satellites est phénoménale ; par exemple, le programme Sentinel génère chaque jour plus de 5 To de données d’observation terrestre. Par conséquent, l’analyse ou la cartographie des phénomènes étudiés à l’aide de ces données ne peuvent être conduits uniquement par des processus manuels. C’est pourquoi la communauté en télédétection spatiale s’intéresse depuis les premiers lancements de satellites aux méthodes de classification automatique d’images.
Jusqu’au milieu des années 2010, les modèles non paramétriques type Random Forest ou SVM dominent assez largement la littérature en recherche dans le domaine de la classification de données d’observations de la Terre. Ces modèles nécessitent beaucoup de données d’apprentissage et peuvent être sujets au sur-apprentissage si le jeu de données a une taille réduite par rapport à la complexité des paysages à classifier et des classes à détecter. Les objectifs en télédétection peuvent varier d’un projet à un autre : caractérisation des sols en milieu naturel, analyse de territoires urbains, etc. Les nomenclatures n’en sont que plus diverses et répondent chacune à un besoin précis pour un type de donnée défini (données très résolues ou non, multispectrales ou uniquement sur quelques canaux). Pouvoir reconnaître automatiquement des objets d’une nomenclature donnée s’accompagne d’une étape de création et de sélection d’attributs spectraux ou de texture permettant de discriminer les classes de la nomenclature entre elles. Cette étape est cruciale et délicate, requérant des connaissances expertes sur le sujet investigué.

 

L’avènement de cartes graphiques offrant de plus en plus de capacité de calcul couplée à la disponibilité de données massives a entraîné au début des années 2010 un regain notable d’intérêt pour l’apprentissage profond. Se hissant systématiquement en tête de l’ensemble des challenges en classification et segmentation d’images, les méthodes de réseaux de neurones convolutifs (CNNs) se sont imposées comme nouveau standard en automatisation d’analyse sur les images. La démocratisation de ces algorithmes et des frameworks permettant de les construire a conduit à une utilisation dans champ d’applications très diverses : analyse d’images médicales,  conduite autonome, détection de défauts sur bâtiments sensibles, … et bien entendu le traitement et l’analyse d’images satellites !

 

Bien qu’on envisage aisément l’emploi de CNNs pour la classification d’images satellites, de nombreuses études montrent qu’ils sont également adaptés pour des tâches de traitement d’image précédant leur analyse. Les images acquises par avion présentent les mêmes caractéristiques que les images spatiales, même si leurs modes d’acquisition diffèrent. Présentant des résolutions plus fines, de telles images sont utilisés pour des chantiers. À noter que l‘imagerie aérienne ne permet pas d’analyse fine dans le temps car elle est onéreuse et car la période d’acquisition sur une grande zone géographique prend beaucoup de temps (3 ans sur la France).

 

À gauche : image SPOT 6/7 (1.5 m) en fausse couleur  – À droite : Image acquise par avion IGN (30 cm)

 

Les divers usages de l’apprentissage profond en matière de télédétection spatiale et aérienne seront regroupés sous deux thématiques. La première sera relative aux divers processus de pré-traitements de données images (désennuagement, recalage d’images, pan-sharpening, traitement d’images hyperspectrales) tandis que la seconde explicitera les modes d’exploitation de ces images.

Pour lire la suite de l’article, cliquez ici

Tristan Postadjian Tristan Postadjian
Nous respectons
votre vie privée

En poursuivant votre navigation sur ce site, vous acceptez l’utilisation de cookies pour réaliser des statistiques de visites.