‹ retour au glossaire du SIG
Fusion de données satellitaires
Définition
La fusion de données satellitaires combine des observations de capteurs ou de dates différents pour produire un résultat plus riche ou plus exact que n’importe quelle source seule. Les approches incluent la fusion spatiale, qui injecte le détail fin d’une image haute résolution dans un produit de résolution inférieure, la fusion spectrale, qui fusionne des bandes d’instruments différents, et la fusion temporelle, qui prédit des valeurs quotidiennes à partir de séries hebdomadaires ou mensuelles. Les méthodes vont des modèles bayésiens à l’apprentissage automatique et aux bilans d’énergie fondés sur la physique. Un flux de fusion réussi documente les caractéristiques des capteurs, aligne la géométrie, gère l’incertitude et produit des sorties avec des estimations d’erreur claires.
Application
Les applications courantes comprennent l’affinage des produits de végétation et de température, le comblement des lacunes dues aux nuages, l’harmonisation de capteurs historiques avec de nouvelles missions et la fusion de radar et d’optique pour cartographier les inondations par tous temps. L’agriculture obtient l’état quotidien des cultures à l’échelle de la parcelle. Les études urbaines combinent lumières nocturnes, thermique et occupation du sol pour cartographier l’exposition à la chaleur. Les projets de conservation mêlent optique et radar pour surveiller les perturbations forestières même en saison des pluies.
FAQ
Quels sont les principaux risques lors de la fusion de capteurs de résolutions spatiales très différentes ?
Les pixels mixtes et le décalage d’échelle peuvent inventer des détails qui n’existent pas physiquement. Utilisez des méthodes de désagrégation qui conservent l’énergie et validez avec des références indépendantes à haute résolution. Indiquez l’incertitude pour que les utilisateurs sachent où les petits éléments sont fiables et où ils ne le sont pas.
Comment traiter les différences de géolocalisation avant de tenter la fusion ?
Corégistrez les images à l’aide de points de contrôle au sol, de points homologues ou de modèles de capteurs, et rééchantillonnez sur une grille commune. Vérifiez la parallaxe en relief marqué et corrigez avec un modèle numérique d’altitude. Même de petits défauts d’alignement peuvent créer de faux changements dans un produit fusionné.
Quand la fusion temporelle fondée sur un modèle est-elle préférable à une simple composition ?
Lorsque l’objectif est d’estimer des dynamiques quotidiennes ou horaires comme l’évapotranspiration ou la photosynthèse, des modèles fondés sur la physique ou sur des relations apprises comblent plus fidèlement les lacunes nuageuses. La simple composition ne fait que sélectionner le meilleur pixel dégagé et ne peut représenter ni les changements rapides ni les cycles diurnes.
Comment les produits fusionnés doivent-ils présenter la confiance aux utilisateurs finaux ?
Publiez des couches d’incertitude ou de probabilité par pixel, fournissez des statistiques de validation par classe d’occupation du sol et décrivez les conditions où l’erreur augmente. Proposez à la fois la surface fusionnée et un masque de qualité pour que les analystes puissent filtrer ou pondérer les résultats dans des modèles ultérieurs.
