Revue Française de Photogrammétrie et de Télédétection

Editorial

Michael Chemouny — 2024-10-25

Editorial du numéro spécial Pléiades-Neo

De Pléiades à Pléiades Neo : Une analyse de l'amélioration de la restitution 3D

David Youssefi — 2024-05-15

Fort de son expertise en géométrie et en 3D, le Centre National d’Études Spatiales (CNES) développe de nouveaux outils
open-source capitalisant une partie de son savoir-faire. Ils sont destinés à être au coeur du segment sol de la mission
CO3D et à servir tout l’écosystème aval. Le traitement de ces données impose de concevoir des chaînes robustes, capables
de passer à l’échelle. De ce fait, les outils 3D du CNES sont massivement parallélisables, utilisant des technologies
multiprocesseurs voire multi-noeuds tout en restant agnostique au matériel utilisé. Ces logiciels proposent des interfaces
simples afin de permettre également leur utilisation en dehors des chaînes de traitement opérationnelles. Ces outils sont
capables de produire un Modèle Numérique de Surface (MNS) à partir de couples stéréoscopiques d’images (CARS) dont
l’étape majeure repose sur la mise en correspondance (Pandora). Par la suite, ils permettent d’extraire un Modèle Numérique
de Terrain (MNT) à partir du MNS produit (Bulldozer) et d’en dériver un Modèle Numérique de Hauteur (MNH). Suite
à cela, des comparaisons entre tous ces modèles numériques d’élévation peuvent également être effectuées (Demcompare).
Dans l’attente de l’arrivée des données CO3D, le CNES éprouve d’ores et déjà ces outils sur d’autres capteurs,
dont Pléiades et plus récemment Pléiades Neo. Cet article qualifie l’amélioration de cette restitution 3D apportée par cette
nouvelle génération de satellite. Les outils 3D du CNES sont sous licence libre et non contaminante (Licence Apache v2)
afin de notamment permettre l’exploitation et la valorisation des données Pléiades et maintenant Pléiades Neo. Ils offrent
enfin la possibilité de reproduire les résultats présentés dans cet article.

Modélisation de la bathymétrie par Pléiades Neo en baie de Saint-Malo: transfert radiatif et réseaux de neurones

Antoine Collin — 2024-06-16

Malgré l’intérêt croissant pour la cartographie des fonds marins, seul un quart d’entre eux a pu être levé fidèlement à une résolution de l’ordre du km (30 arc-secondes). Ceci s’explique par les lourds coûts engendrés par les campagnes par bateau (sonar) et/ou par avion (lidar). Ainsi, la bathymétrie dérivée de satellite connaît un essor considérable depuis deux décennies. En fer de lance, l’imagerie multispectrale à très haute résolution spatiale de Pléiades Neo dispose de 6 bandes (4 visibles, 1 red edge, et 1 infrarouge) pourvues d’une résolution spatiale de 1,2 m, surclassant ainsi l’imagerie multispectrale de Pléiades-1 dotée de 4 bandes (3 visibles et 1 infrarouge) à 2 m. En s’appuyant sur un jeu de données Pléiades Neo 4 acquis au-dessus des eaux modérément turbides de la baie de Saint-Malo, ce travail a permis de quantifier les contributions des bandes deep blue et red edge à la prédiction de la bathymétrie lidar en regard de la nature de la modélisation, et de l’architecture du réseau neuronal. Premièrement, la modélisation semi-analytique (transfert radiatif) basée sur les transformées de ratio, testées individuellement et linéairement: le remplacement de la bande bleu par la bande deep blue a diminué la régression linéaire standard (bleu-vert-rouge-infrarouge, R²=0,36) de 11,1%, mais le remplacement de la bande rouge par red edge, a produit le même score. Deuxièmement, la modélisation semi-analytique basée sur la transformée de ratio Pléiades-1 versus la combinaison des 15 transformées Pléiades Neo : augmentations respectives de 52,8% de la régression linéaire (R²_Pléiades-1=0,36, et R²_{Pléiades Neo}=0,55), et de 36,2% de la régression non-linéaire par réseau de neurones à deux couches cachées à trois neurones (R²_Pléiades-1=0,58, et R²_{Pléiades Neo}=0,79). Finalement, la modélisation empirique basée sur la bonification spectrale de la simulation de Pléiades-1 par deep blue et red edge a généré un gain maximal de 6% pour la régression linéaire (R²_Pléiades-1=0,50, et R²_{Pléiades Neo}=0,53) et de 1,4% pour la régression non-linéaire par réseau de neurones à deux couches cachées à trois neurones (R²_Pléiades-1=0,73, et R²_{Pléiades Neo}=0,74).

Apport des données Pléiades Neo pour la détection des dommages au bâti

Mathilde Mauger-Vauglin — 2024-06-27

Cette étude approfondie de l'utilisation des données satellitaires Pléiades Neo dans la détection des dommages aux bâtiments, comparée aux données Pléiades-HR, s'est concentrée sur l'évaluation des performances de ces deux capteurs suite au séisme au Maroc en septembre 2023. Les résultats indiquent de manière concluante que la résolution spatiale supérieure des images Pléiades Neo améliore significativement l'interprétation du paysage et la détection des dommages dans les zones bâties. En particulier, ce gain en résolution a permis d'identifier 74% de bâtiments endommagés supplémentaires à Marrakech et de rectifier 24% et 11% de la classification des dommages, respectivement dans les secteurs de Marrakech et d'Imidal. L'étude souligne également la capacité de Pléiades Neo à détecter des détails du paysage urbain, comme les créneaux des remparts de la ville, offrant ainsi la possibilité de repérer des dommages sur d'autres objets ou infrastructures de taille équivalente, une capacité qui n'est pas aussi prononcée avec Pléiades-HR. Les résultats illustrent et confirment les avantages substantiels des données Pléiades Neo pour l'évaluation post-catastrophe, avec une précision accrue dans la détection et la caractérisation des dommages au bâti. L'importance de l'angle d'acquisition des images, mais également la complémentarité de Pléiades Neo par rapport à Pléiades-HR dans le contexte de la cartographie d'urgence, ont également été évoquées. Cette étude atteste des avantages des images Pléiades Neo par rapport à Pléiades-HR dans la gestion des dégâts au bâti suite à des événements catastrophiques.