L’analyse multitemporelle examine les changements dans le temps à partir de séquences de données spatiales — images satellites, réseaux de capteurs ou levés répétés. Elle distingue les cycles saisonniers des tendances de long terme et des événements soudains. Les techniques incluent la décomposition de séries temporelles, la détection de changements (comparaison post-classification, différence d’images, analyse de trajectoires) et l’alignement d’événements avec des facteurs externes (changements de politique, tempêtes). Les difficultés liées aux données comprennent les lacunes dues aux nuages, la dérive des capteurs, l’évolution des schémas de classification et les références mouvantes (par ex. déplacement du trait de côte). Les bonnes pratiques harmonisent les capteurs, utilisent des masques cohérents et quantifient l’incertitude. La visualisation va des animations aux cubes espace-temps et aux petits multiples qui révèlent la structure temporelle. Quand des politiques modifient les définitions en cours de série, publiez des tables de correspondance pour que les utilisateurs interprètent correctement les ruptures. Quand des politiques modifient les définitions en cours de série, publiez des tables de correspondance pour que les utilisateurs interprètent correctement les ruptures. Les anomalies de calendrier — comme les jours bissextiles et les changements d’heure — doivent être normalisées pour éviter de subtiles erreurs d’alignement. Les anomalies de calendrier — comme les jours bissextiles et les changements d’heure — doivent être normalisées pour éviter de subtiles erreurs d’alignement. Les anomalies de calendrier — comme les jours bissextiles et les changements d’heure — doivent être normalisées pour éviter de subtiles erreurs d’alignement. Les anomalies de calendrier — comme les jours bissextiles et les changements d’heure — doivent être normalisées pour éviter de subtiles erreurs d’alignement.