‹ retour au glossaire du SIG
Analytique de télédétection
Définition
L’analytique de télédétection transforme l’imagerie brute en informations exploitables à l’aide d’algorithmes de détection, de classification, de régression et d’analyse de changements. Les techniques incluent les indices spectraux (NDVI, NBR), l’apprentissage supervisé (forêts aléatoires, SVM, CNN profonds), l’analyse d’images orientée objet, la modélisation de séries temporelles et l’inversion fondée sur la physique. Les chaînes de traitement gèrent les données d’entraînement, le masquage des nuages, l’ingénierie des caractéristiques, la validation croisée et l’estimation de l’incertitude. Les déploiements s’exécutent sur des clusters locaux ou des plateformes cloud avec des cadres raster évolutifs. Une analytique responsable documente les sources de données, les hypothèses des modèles et les mesures d’exactitude ; elle inclut des analyses d’erreur par classe et par zone géographique, pas seulement des scores globaux. Les résultats s’intègrent aux SIG et aux tableaux de bord décisionnels.
Application
Les applications couvrent l’estimation des rendements, les alertes de déforestation, la croissance urbaine, l’évaluation des dégâts après catastrophe, la détection d’exploitation minière illégale et la surveillance des infrastructures. La finance et l’assurance en tirent des signaux de risque ; la conservation utilise les alertes pour une réaction rapide ; les gouvernements suivent la conformité aux réglementations environnementales.
FAQ
Comment éviter les fuites d’étiquettes ?
Veillez à ce que les étiquettes d’entraînement soient indépendantes dans le temps et l’espace des données de test ; évitez d’utiliser des variables dérivées qui contiennent des informations futures.
Les réseaux profonds sont-ils toujours meilleurs ?
Pas nécessairement — des modèles tabulaires sur des variables conçues peuvent faire mieux dans certains contextes avec moins de données ; comparez plusieurs approches.
Comment quantifier l’incertitude ?
Utilisez des sorties probabilistes, des ensembles et un calibrage ; cartographiez la confiance et évitez les seuils stricts lorsque les enjeux sont élevés.
Comment passer à l’échelle opérationnelle ?
Automatisez l’ingestion et le traitement, utilisez des formats optimisés pour le cloud et mettez en place une surveillance des lacunes de données et de la dérive des modèles.
