Analyse d'images satellite

L'analyse d'images satellites consiste à utiliser des algorithmes informatiques pour interpréter, extraire et analyser les informations provenant d'images capturées par des capteurs en orbite autour de la Terre. En intégrant la vision par ordinateur (CV) et l' apprentissage automatique (ML), cette technologie transforme les données géospatiales brutes en informations exploitables. Contrairement à la photographie traditionnelle, les images satellites contiennent souvent des données multispectrales, capturant des longueurs d'onde en dehors du spectre visible, comme l'infrarouge, ce qui permet de surveiller la santé de la végétation, la composition atmosphérique et la température de surface à l'échelle mondiale. Cette capacité est essentielle pour des secteurs allant de la préservation de l'environnement à la défense et au développement urbain.

Techniques fondamentales en analyse satellitaire

L'analyse des données satellitaires présente des défis uniques par rapport à la photographie terrestre standard, tels que la gestion de fichiers volumineux, les interférences atmosphériques et les objets apparaissant sous des rotations arbitraires. Des modèles avancés d' apprentissage profond (DL) sont utilisés pour répondre à ces besoins spécifiques.

• Segmentation sémantique: cette technique consiste à attribuer une étiquette de classe à chaque pixel d'une image. Dans l'analyse satellitaire, la segmentation est essentielle pour la classification de la couverture terrestre, en distinguant les plans d'eau, les infrastructures urbaines et les forêts. Elle est fréquemment utilisée pour track l' étalement urbain ou cartographier l'étendue des inondations lors des interventions en cas de catastrophe.
• Boîte englobante orientée (OBB): La détection d'objets standard utilise des boîtes horizontales, qui peuvent être imprécises pour les vues aériennes où des objets tels que des navires, des véhicules ou des bâtiments sont pivotés. Les modèles OBB prédisent des boîtes pivotées qui s'adaptent parfaitement aux objets, ce qui améliore considérablement la précision des ensembles de données géospatiales.
• Détection des changements: des algorithmes comparent des images du même endroit prises à des moments différents afin d'identifier les modifications. Ceci est essentiel pour surveiller la déforestation, suivre l'avancement des travaux de construction ou évaluer les dégâts après des catastrophes naturelles
• Pan-sharpening: Cette technique de traitement d'image fusionne des images panchromatiques (noir et blanc) à haute résolution avec des images multispectrales (couleur) à plus faible résolution afin de créer une seule image couleur à haute résolution, améliorant ainsi les détails visuels disponibles pour l'extraction de caractéristiques.

Applications concrètes

L'intégration de l' intelligence artificielle (IA) à l' imagerie satellite a révolutionné la façon dont nous surveillons les systèmes planétaires et l'activité humaine.

• Agriculture de précision: Les agriculteurs et les agronomes analysent les indices spectraux, tels que l' indice de végétation par différence normalisée (NDVI), pour évaluer la santé des cultures depuis l'espace. Les modèles d'IA peuvent prédire les rendements, detect les infestations detect et optimiser l' irrigation, ce qui conduit à des pratiques agricoles plus durables.
• Surveillance maritime: l'analyse par satellite est utilisée pour track les mouvements track en haute mer. Grâce à des algorithmes de suivi d'objets, les autorités peuvent identifier les activités de pêche illégales ou surveiller les chaînes d'approvisionnement mondiales en comptant les porte-conteneurs dans les ports.
• Gestion des catastrophes: lors d'événements tels que des incendies de forêt ou des ouragans, les capteurs radar à synthèse d'ouverture (SAR) peuvent voir à travers les nuages et la fumée. Les modèles d'IA traitent ces données pour fournir des cartes en temps réel des zones touchées, aidant ainsi les services d'urgence à hiérarchiser les ressources.

Termes connexes et distinctions

Il est important de différencier l'analyse d'images satellites des domaines plus larges ou connexes :

• Vs. Télédétection: La télédétection est la science globale qui consiste à acquérir des informations sur un objet à distance (à l'aide de capteurs tels que le LiDAR, le sonar ou les sismographes). L'analyse d'images satellites est plus précisément le traitement informatique d' images visuelles ou spectrales obtenues par télédétection.
• Vs. Photographie aérienne: Bien que les deux techniques impliquent des vues descendantes, la photographie aérienne est généralement réalisée à l'aide de drones ou d'avions dans l' atmosphère. Les images aériennes offrent une résolution plus élevée (centimètres par pixel), mais couvrent des zones plus petites. Les images satellites offrent une couverture mondiale et des taux de revisite constants, ce qui les rend supérieures pour l' analyse de séries chronologiques.

Exemple : détection d'objets pivotés avec YOLO26

L'imagerie satellite nécessite souvent de détecter des objets qui ne sont pas alignés sur un axe, tels que des navires dans un port ou des avions sur un tarmac. Le modèle YOLO26 prend en charge de manière native les tâches OBB (Oriented Bounding Box), ce qui le rend très efficace à cette fin.

L'exemple suivant montre comment charger un modèle YOLO26-OBB pré-entraîné et exécuter une inférence sur une image afin de detect des objets avec des cadres de sélection pivotés.

from ultralytics import YOLO

# Load a YOLO26 model specialized for Oriented Bounding Box (OBB) detection
# 'yolo26n-obb.pt' is a nano-sized model optimized for speed and efficiency
model = YOLO("yolo26n-obb.pt")

# Run inference on an aerial image containing objects like planes or ships
# The model predicts rotated boxes (x, y, w, h, angle) for better precision
results = model.predict("https://docs.ultralytics.com/datasets/obb/dota-v2/")

# Display the results to visualize the detected objects and their orientation
results[0].show()

Pour gérer des ensembles de données satellitaires à grande échelle et former des modèles personnalisés, la Ultralytics propose des outils d'annotation automatique et de formation basée sur le cloud , rationalisant ainsi le flux de travail, des données brutes au modèle déployé.