‹ retour au glossaire du SIG
Données raster temporelles
Définition
Les données raster temporelles sont des grilles ordonnées dans le temps qui représentent des phénomènes changeants — imagerie, température, précipitations, indices de végétation ou sorties de modèles. Elles exigent des stratégies de stockage et de traitement qui respectent à la fois l’espace et le temps : nommage de fichiers ou cubes de données avec des indices temporels, grilles cohérentes et métadonnées sur les heures d’acquisition et la qualité. L’analyse comprend la décomposition de séries temporelles, la détection de changements, l’estimation de tendances et la détection d’événements. La visualisation utilise des animations et des petits multiples pour transmettre la dynamique sans submerger les spectateurs.
Application
L’agriculture surveille la croissance des cultures, les gestionnaires de l’eau suivent les surfaces des réservoirs, les sciences du climat construisent des indicateurs de long terme et la réponse aux catastrophes surveille l’évolution des feux ou des crues. Les entreprises utilisent les rasters temporels pour des cartes de chaleur de fréquentation et la surveillance d’infrastructures.
FAQ
Comment les cubes de données améliorent-ils la gestion des rasters temporels ?
Ils empilent les scènes le long d’un axe temporel avec un tuilage et des métadonnées cohérents, ce qui permet un découpage rapide par zone et par date et simplifie l’analyse à grande échelle dans le cloud.
Quelles sont les bonnes pratiques pour traiter nuages et ombres dans le temps ?
Utilisez des masques de qualité par scène, la composition temporelle et des méthodes de comblement qui préservent les changements brusques tout en évitant de mélanger les artefacts.
Comment estimer les tendances de façon robuste ?
Appliquez des méthodes résistantes aux valeurs aberrantes (Theil–Sen, Kendall saisonnier) et tenez compte de l’autocorrélation ; rapportez des intervalles de confiance et des points de rupture.
Quels formats concilient performance et portabilité ?
Le GeoTIFF optimisé pour le cloud, ainsi que Zarr ou NetCDF avec découpage en blocs, offrent des lectures efficaces de sous-ensembles tout en restant largement compatibles.
