Les missions spatiales qui observent régulièrement et systématiquement les surfaces terrestres sont de plus en plus nombreuses. En optique, à résolution décamétrique, nous disposons depuis 10 ans de deux missions spatiales, Landsat et Sentinel-2, dont les caractéristiques sont résumées dans le tableau ci-dessous. Elles fournissent des données libres et gratuites d’excellente qualité, et plutôt faciles à utiliser.
Pourtant, l'utilisation simultanée de plusieurs sources de données spatiales reste encore rare. Par exemple, une recherche dans toute la littérature scientifique publiée en 2025 donne 6462 références pour « Sentinel-2 », 5569 pour « Landsat », mais seulement 987 pour « Landsat et Sentinel-2 ». Ce phénomène vient probablement de la difficulté à combiner des données dont les résolutions, bandes spectrales et dates d’acquisitions sont différentes.
Caractéristiques des missions Sentinel-2 et Landsat
| Mission | Sentinel-2 | Landsat |
| Résolution | 10 à 20 m selon les bandes | 30 à 100 m et une bande à 15m |
| Bandes spectrales | 13 | 10 |
| Revisite | 5 jours à l’équateur | 9 jours à l’équateur |
Une nouvelle méthode de fusion spatio-temporelle
Dans leur nouvel article, Julien Michel et Jordi Inglada proposent une solution à ce problème. Imaginez que vous disposiez d’un an de données Sentinel-2 et Landsat-8, avec leurs nuages, acquisitions irrégulières, résolutions et bandes spectrales différentes. La méthode par apprentissage proposée permet de fournir toutes les données à la même résolution (10 m), sans aucun nuage, à toutes les dates désirées au cours de l’année, et pour n’importe quelle bande disponible dans l’un des deux capteurs.
Nous n’entrerons pas ici dans les détails de l’architecture de la méthode d’IA (Temporal Attention Multi Resolution Fusion, TAMRF), elle est décrite brièvement dans cet article de blog et détaillée dans l'article scientifique. La stratégie d’apprentissage auto-supervisé est inspirée de celle utilisée dans les modèles de langage : on cache à l’outil un certain nombre de données, fournies par les deux satellites, et on l’entraine à estimer le contenu de ces données à partir des autres images de la série temporelle. Le modèle va donc apprendre à interpoler temporellement, spatialement et spectralement les données. Une fonction cout originale a été mise au point, avec deux termes novateurs, l'un permettant de favoriser les détails de haute résolution spatiale dans les images prédites, et l'autre d'apprendre au modèle à ignorer les pixels non informatifs, tels que les pixels nuageux ou les zones de données manquantes. Tout ceci est expliqué en détail dans le mémoire de thèse de Julien Michel (la thèse a été soutenue le 2 février au CESBIO).
Une fusion bien validée
La fusion des données ne produit pas seulement des belles images, mais aussi des données bien validées. La précision des réflectances a été mesurée en cachant des données à TAMRF, et en comparant la prédiction obtenue avec l'image réelle. Par exemple, pour prédire une image Sentinel-2, les performances obtenues sont les suivantes :
- Si une image Landsat est disponible le même jour, la précision est de l'ordre 0.015 en unités de réflectance.. C'est une précision qui est très proche des performances des réflectances de surface Sentinel-2.
- Si aucune image n'est disponible au cours du mois, la performance est légèrement dégradée, entre 0.025 et 0.045 selon les bandes. La méthode manque d'informations, et ne peut par exemple pas deviner quand un agriculteur aura récolté sa parcelle, mais prédit quand même le bon ordre de grandeur.
Pour l’instant, aucune autre méthode ne propose des capacités équivalentes, mais différentes méthodes publiées peuvent réaliser des sous-tâches plus spécialisées, comme la prédiction d’une image Sentinel-2 lorsqu’on dispose d’une image Landsat, ou l’interpolation temporelle de séries Sentinel-2.
La comparaison des performances a été réalisée pour certaines de ces sous-tâches. Les expériences montrent qu'un unique modèle TAMRF entraîné une fois pour toutes offre des performances similaires ou meilleures que les modèles spécialisés, avec des avantages supplémentaires tels que la robustesse aux nuages dans les images et la capacité de prédiction de dates non observées et d'amélioration de la résolution spatiale.
Une fusion utile
Les données ainsi obtenues devraient être très utiles :
- Elles permettent de combiner la revisite temporelle issue de deux missions spatiales, pour un meilleur suivi des évènements agricoles, des évolutions saisonnières ou des catastrophes naturelles.
- Elles remplaceront avantageusement les synthèses mensuelles sans nuages.
- Elles pourraient même modifier la conception des satellites, avec la possibilité de réaliser une mission avec des observations fréquentes à résolution moyenne, par exemple 10m, combinée avec une mission à revisite moins fréquente (mais quand même régulière), avec une résolution plus élevée, par exemple 2 m.
Le travail ne fait que commencer. L'ajout d'une incertitude sera nécessaire pour que les utilisateurs sachent quelle confiance accorder aux prédictions, et la méthode pourrait aussi utiliser des satellites qui passeront plus fréquemment comme par exemple Sentinel-3 et les futures missions TRISHNA et LSTM.
