| name | satellite-remote-sensing |
| description | Compétence niveau expert en technologie satellite et télédétection computationnelles. Couvre les plateformes satellite (LEO/GEO/SAR/optique), le traitement d'images satellite, la photogrammétrie, la classification supervisée/non-supervisée, la détection de changement, le pansharpening, la fusion multi-capteurs, la mission planning, le tasking satellite, et le edge computing spatial. |
| category | research |
| domain | remote-sensing |
Technologie Satellite & Télédétection Computationnelles
Présentation
Ce skill couvre l'application de l'intelligence artificielle et du deep learning aux technologies satellite et à la télédétection. Il aborde les plateformes et capteurs, le traitement d'images, la classification et segmentation, la photogrammétrie et 3D, le deep learning spatial, et le edge computing spatial.
1. Plateformes et Capteurs Satellites
Optique
- Sentinel 2 (ESA): 13 bandes spectrales, 10-60m résolution
- Landsat 8/9 (NASA/USGS): 11 bandes, 30m, archive depuis 1972
- Planet Dove: constellation 200+ cubesats, 3-5m, revisite quotidienne
- Maxar (WorldView): très haute résolution (30-50cm), imagerie commerciale
- SPOT: 1.5-6m, stéréoscopie, revisite haute fréquence
- Pléiades: 50cm panchromatique, 2m multispectral
SAR (Radar à Synthèse d'Ouverture)
- Sentinel 1 (ESA): bande C, 5-40m, interférométrie InSAR
- RADARSAT: bande C, Constellation canadienne 3 satellites
- SAOCOM: bande L, pénétration canopée
- ICEYE: constellation SAR microsatellites, revisite sub-quotidienne
- Capella Space: très haute résolution SAR (50cm)
Hyperspectral et Autres
- PRISMA (ASI): 239 bandes hyperspectrales, 30m
- EnMAP (DLR): 242 bandes, 30m
- MODIS: 36 bandes, 250-1000m, quotidien
- VIIRS: 22 bandes, 375-750m
- GEDI: LiDAR spatial pour structure forestière
- ICESat-2: altimètre photon-counting, glace et végétation
2. Traitement d'Images
Corrections et Prétraitement
- Orthorectification: correction géométrique, MNE, RPC
- Atmospheric correction: 6S, Sen2Cor, FLAASH, ACOLITE
- Pansharpening: Gram-Schmidt, Brovey, CNNS, IHS, PCA
- BRDF correction: correction de réflectance bidirectionnelle
SAR Processing
- Speckle filtering: Lee, Frost, Kuan, non-local means, deep despeckling
- InSAR interferometry: DEM generation, deformation mapping, DInSAR
- PolSAR: polarimétrie SAR, decomposition target, classification
- PolInSAR: SAR interférométrique polarimétrique
3. Classification et Segmentation
Land Cover Deep Learning
- Semantic segmentation satellite: pixel-wise classification
- U-Net: architecture classique pour segmentation satellite
- DeepLabV3+: atrous convolution, ASPP
- SwinUNet: transformer-based pour segmentation
- SegFormer: transformers hiérarchiques
Applications
- Change detection: Siamese networks, change transformers
- Deforestation tracking: surveillance forestière par deep learning
- Crop classification: classification des cultures, phenology ML
- Flood mapping: cartographie rapide des inondations par SAR
- Urban mapping: classification urbaine, impervious surfaces
4. Photogrammétrie et 3D
Reconstruction Stéréo
- Stereo satellite: corrélation dense, matching semi-global (SGM)
- DSM/DTM: génération de modèles numériques de surface et de terrain
- Point cloud: clouds de points photogrammétriques
- 3D reconstruction: reconstruction 3D multi-vues satellite
LiDAR Spatial
- GEDI: formes d'onde LiDAR, hauteur de canopée, biomasse
- ICESat-2: ATL03, ATL08, photon counting, classification sol/végétation
- Fusion optique-LiDAR: intégration données optiques et LiDAR pour 3D
Structure from Motion
- SfM satellite: incrémentation automatique à partir d'images
- Multi-view stereo: MVS pour scènes satellitaires
- Time series 3D: nuages de points temporels
5. Deep Learning Spatial
Fondations Models
- Remote sensing foundation models: modèles pré-entraînés sur données satellite
- Self-supervised learning (SSL): SSL pour données satellite (MAE, SimCLR, BYOL)
- Prithvi: foundation model NASA/IBM pour télédétection
- SatMAE: Masked Autoencoder spécifique satellite
- SpectralGPT: modèle spectral large
Architectures Temporelles
- Spatiotemporal transformers: transformer spatio-temporels (Video Swin, TimeSformer)
- 3D CNNs: convolutions 3D pour séries temporelles satellite
- LSTM/ConvLSTM: modèles récurrents pour analyse temporelle
- Multi-modal fusion: fusion optique-SAR-LiDAR par deep learning
6. Edge Computing et Tasking
Onboard ML
- Onboard ML: inférence ML à bord du satellite
- Satellite edge computing: calcul embarqué spatial
- Model compression: quantification, pruning pour contraintes spatiales
- FPGA in space: accélération matérielle embarquée
Mission Planning
- Mission planning: planification de missions par optimisation
- AI tasking: tasking intelligent des satellites
- Constellation optimization: optimisation de constellations
- Downlink scheduling: planification de téléchargement données
- Image prioritization: priorisation automatique de l'acquisition et transmission
Catégories
- cs.CV (Computer Vision): classification, segmentation, 3D
- cs.LG (Machine Learning): foundation models, SSL
- eess.IV (Image and Video Processing): traitement d'image satellite
- physics.geo-ph (Geophysics): SAR, InSAR, altimétrie
- cs.AI (Artificial Intelligence): edge computing, tasking
Articles Notables
- Unbox Responsible GeoAI: cadre pour une géo-IA responsable
- SpectralGPT: Spectral Foundation Model
- Foundation models for remote sensing
