Satellite Image Analysis

L’analyse d’images satellite consiste à extraire des informations d’images de la Terre capturées par des satellites en orbite : cartographier l’occupation des sols, compter les navires, les aéronefs ou les bâtiments, mesurer l’état des cultures et détecter les changements entre deux dates. C’est une branche de la télédétection, qui couvre également les images provenant des avions et des drones, et qui s’appuie aujourd’hui sur la vision par ordinateur (CV) et l’apprentissage profond (DL) pour traiter de grands volumes d’images qu’aucune équipe d’analystes ne pourrait examiner manuellement. À lui seul, le programme Landsat image la Terre sans interruption depuis 1972.

Ce que capturent les satellites#

Les images satellites diffèrent des photos ordinaires selon quatre types de résolution :

• Résolution spatiale : Distance au sol représentée par un pixel. Landsat 8 et 9 enregistrent la plupart des bandes à 30 m, Sentinel-2 atteint 10 m et les satellites commerciaux comme WorldView-3, exploité par Vantor (nommé Maxar Intelligence jusqu’en octobre 2025), atteignent environ 30 cm, une résolution suffisante pour distinguer les voitures.
• Résolution spectrale : Nombre et largeur des bandes de longueurs d’onde. Sentinel-2 enregistre 13 bandes, de la lumière visible à l’infrarouge à ondes courtes.
• Résolution temporelle : Fréquence à laquelle un même lieu est photographié. La constellation Sentinel-2, composée de deux satellites, repasse au-dessus de l’équateur tous les cinq jours, et la flotte de petits satellites de Planet photographie presque toute la surface terrestre chaque jour, à environ 3 m de résolution.
• Résolution radiométrique : Finesse avec laquelle chaque pixel enregistre la luminosité, souvent sur 11 à 14 bits, contre 8 bits pour une photo standard.

Deux autres types de capteurs élargissent les mesures possibles depuis les satellites. Les satellites d’imagerie hyperspectrale enregistrent des centaines de bandes étroites, et les satellites à radar à synthèse d’ouverture (SAR), comme Sentinel-1, émettent des impulsions micro-ondes et en enregistrent les échos ; ils voient ainsi à travers les nuages et la nuit, ce qui fait du radar une source essentielle pour cartographier les inondations sous une couverture nuageuse orageuse. Les calculs entre bandes convertissent les données spectrales en mesures physiques : l’indice de végétation par différence normalisée, NDVI = (NIR − Red) / (NIR + Red), se rapproche de 1 au-dessus d’une végétation dense et saine, car les feuilles réfléchissent fortement le proche infrarouge et absorbent le rouge.

Principales tâches d’analyse#

• Segmentation sémantique : Attribue une étiquette à chaque pixel pour cartographier l’occupation des sols, l’emprise des bâtiments, les routes ou l’étendue des inondations.
• Détection d’objets : Repère et compte des objets distincts comme les navires, les avions, les véhicules et les réservoirs de stockage. Vus d’en haut, ces objets sont petits, rapprochés et orientés dans toutes les directions ; les détecteurs prédisent donc souvent des boîtes englobantes orientées, qui pivotent pour épouser la forme de chaque objet.
• Détection des changements : Compare des images d’un même lieu prises à des dates différentes pour repérer la déforestation, les nouvelles constructions ou les dégâts causés par une catastrophe.
• Classification de scènes : attribue une étiquette, comme « terres agricoles », « forêt » ou « zone urbaine », à chaque fragment d’image.

Les jeux de données de détection d’images aériennes comprennent DOTA, dont la première version annote 15 catégories avec des boîtes orientées arbitrairement, et xView, qui étiquette plus d’un million d’objets répartis dans 60 classes sur des images WorldView-3 de 0,3 m. Les modèles de boîtes englobantes orientées Ultralytics YOLO26 sont préentraînés sur DOTAv1 et prédisent une boîte tournée pour chaque objet :

from ultralytics import YOLO

# Charger un modèle de boîte englobante orientée (OBB) YOLO26 préentraîné sur DOTAv1
model = YOLO("yolo26n-obb.pt")

# Détecter les objets dans une image aérienne
results = model("https://ultralytics.com/images/boats.jpg")
result = results[0]

# Enregistrer l’image avec une boîte pivotée dessinée autour de chaque détection
result.save(filename="boats_obb.jpg")

Les boîtes pivotées suivent le cap de chaque navire, ce qui évite que des bateaux amarrés très près les uns des autres partagent une seule boîte surdimensionnée. Les modèles de fondation géospatiaux préentraînés sur de grandes archives non étiquetées, comme les modèles Prithvi de NASA et IBM conçus à partir de données Landsat et Sentinel-2 harmonisées, sont ajustés finement pour des tâches comme la cartographie des inondations et des zones brûlées, avec beaucoup moins d’exemples étiquetés.

De la scène brute à la carte#

Une tuile Sentinel-2 mesure 10 980 × 10 980 pixels dans ses bandes à 10 m, ce qui dépasse largement la taille d’entrée d’un modèle. Elle est fournie sous forme de fichier géoréférencé, comme un GeoTIFF, dont les pixels correspondent à des coordonnées sur Terre. Les pipelines d’analyse corrigent les effets atmosphériques, masquent les nuages, découpent la scène en tuiles chevauchantes, exécutent le modèle sur chaque tuile, fusionnent les détections en double dans les zones de chevauchement et reconvertissent les positions des pixels en coordonnées cartographiques pour les outils SIG. Des bibliothèques comme Rasterio lisent et écrivent les rasters géoréférencés, et le recalage d’images aligne les images de dates différentes avant leur comparaison.

Analyse d’images satellites et aériennes#

Les deux utilisent les mêmes modèles et les mêmes tâches ; la différence tient à la plateforme. Les satellites orbitent à des centaines de kilomètres d’altitude et photographient la planète entière selon un calendrier fixe, et leurs archives remontent à plusieurs décennies. Les avions et les drones survolent à la demande de petites zones et capturent des détails à l’échelle du centimètre, ce qui convient à l’inspection des toits, des cultures ou des pales d’éoliennes. Les jeux de données de détection d’objets en vue aérienne combinent souvent les deux sources, et DOTA comprend des images satellites et aériennes.

Applications#

• Agriculture : cartographie des types de cultures, estimation des rendements et suivi du stress des cultures à l’échelle de régions entières à l’aide du NDVI.
• Forêts et climat : les cartes mondiales de la perte de couvert arboré établies à partir de Landsat, avec une résolution de 30 m, permettent de suivre la déforestation année après année.
• Intervention en cas de catastrophe : les cartes des inondations obtenues par SAR et les évaluations des dégâts avant et après la catastrophe orientent les opérations de secours, et la Charte internationale « Espace et catastrophes majeures » fournit gratuitement des données satellites aux intervenants.
• Urbanisme : l’extraction de l’emprise des bâtiments et la cartographie des routes permettent de maintenir les cartes à jour dans les villes en forte croissance.
• Surveillance maritime : en combinant les détections SAR et optiques aux données de suivi des navires, une étude publiée dans Nature en 2024 a révélé qu’environ les trois quarts des navires de pêche industrielle du monde ne font pas l’objet d’un suivi public.