‹ retour au glossaire du SIG
Analyse d’images satellitaires
Définition
L’analyse d’images satellitaires transforme des images brutes en informations interprétables grâce à des méthodes de détection, de classification, de segmentation et de séries temporelles. Le processus commence par l’étalonnage des capteurs et l’orthorectification, puis l’extraction de caractéristiques telles que des indices, des textures et des mesures d’objets. Les analystes appliquent des algorithmes issus de la télédétection classique et de l’apprentissage profond moderne pour cartographier l’occupation du sol, détecter les changements, estimer des variables biophysiques et mesurer des activités humaines comme les nouvelles constructions. Les bonnes pratiques utilisent des données d’entraînement représentatives, une validation croisée et une documentation claire des limites.
Application
Les gouvernements utilisent l’analyse pour la réglementation de l’usage des sols, les subventions agricoles et la surveillance des forêts. Les équipes humanitaires cartographient les déplacements de population et les dégâts après les catastrophes. Les assureurs et investisseurs évaluent l’exposition au risque et la conformité. Les chercheurs en environnement étudient glaciers, lacs et biodiversité. Les images étant fréquentes et cohérentes, elles révèlent des tendances difficiles à saisir par les seuls relevés de terrain.
FAQ
Comment choisir entre les approches par pixel et par objet ?
Les méthodes par pixel sont rapides et efficaces lorsque les classes diffèrent spectralement à la résolution du capteur. L’analyse orientée objet segmente les images en parcelles significatives et utilise la forme, la texture et le contexte, ce qui aide pour les scènes urbaines et les données haute résolution. Une approche hybride donne souvent les meilleurs résultats, avec des objets pour le contexte et des pixels pour le détail spectral.
Quel est le rôle de l’apprentissage par transfert dans l’analyse satellitaire ?
Les réseaux convolutifs préentraînés apportent des caractéristiques spatiales générales qui réduisent le besoin de données d’entraînement. Un réglage fin sur des données étiquetées locales adapte le modèle aux matériaux et à l’éclairage régionaux. Il est crucial de vérifier le décalage de domaine lorsqu’on applique les modèles à de nouveaux capteurs ou climats.
Comment les analystes peuvent-ils éviter les faux changements dus aux cycles saisonniers ou à l’angle de visée ?
Normalisez par l’angle solaire, utilisez la réflectance de surface, comparez des saisons équivalentes et incluez les métadonnées angulaires. Les modèles de séries temporelles qui recherchent des décalages persistants fonctionnent mieux que la simple différence entre deux dates. Des masques de qualité retirant nuages et ombres sont fondamentaux.
Quelles préoccupations éthiques doivent guider l’analyse satellitaire de l’activité humaine ?
Protégez la vie privée en évitant les détails inutiles sur les individus, respectez les sites sensibles et soyez transparent sur l’incertitude. Travaillez avec les communautés concernées et utilisez l’imagerie pour améliorer les services et la sécurité, pas pour cibler ni discriminer. Respectez les règles de licence et créditez correctement les sources de données.
