<\/div>Example<\/div>
<\/div><\/div>
<\/strong><\/p>\n\n\n\n
import numpy as np\nimport matplotlib.pyplot as plt\n\nx = np.linspace(0, 10, 100)\ny = np.sin(x)\n\nplt.plot(x, y)\nplt.title(\"Courbe du sinus\")\nplt.show()\n<\/code><\/pre>\n\n\n\n<\/div><\/div><\/strong><\/p>\n\n\n\n Le graphique s\u2019affichera directement sous le code.<\/p>\n\n\n\n<\/a><\/figure>\n\n\n\n \n\n\n\n<\/span>Sauvegarde<\/strong><\/span><\/h3>\n\n\n\n\nVos notebooks sont automatiquement sauvegard\u00e9s dans votre Google Drive<\/strong>.<\/li>\n\n\n\nVous pouvez aussi importer\/exporter<\/strong> des fichiers .ipynb<\/code> ou .py<\/code>.<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>S2DR3 (Sentinel-2 Deep Resolution 3.0<\/em>)<\/span><\/h2>\n\n\n\n \n\n\n\n<\/span>Vue d\u2019ensemble<\/span><\/h2>\n\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n<\/figure>\n\n\n\n\nS2DR3 est un mod\u00e8le de super-r\u00e9solution par intelligence artificielle appliqu\u00e9 aux images du satellite Sentinel\u20112 (mission du programme Copernicus). (Medium<\/a>)<\/li>\n\n\n\n Son ambition : prendre les bandes multispectrales de Sentinel-2 (r\u00e9solutions natives 10 m, 20 m et parfois 60 m) et les \u00ab am\u00e9liorer \u00bb jusqu\u2019\u00e0 \u2248 1 m\/pixel<\/strong> pour toutes les bandes<\/em>. (LinkedIn<\/a>)<\/li>\n\n\n\n Cela permet d\u2019acc\u00e9der \u00e0 des d\u00e9tails spatiaux beaucoup plus fins (routes, b\u00e2timents, petits objets, h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9s dans les cultures\u2026) que ce que la r\u00e9solution standard de Sentinel-2 permet. (MalaGIS<\/a>)<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>Pourquoi c\u2019est int\u00e9ressant<\/span><\/h2>\n\n\n\nQuelques points forts :<\/p>\n\n\n\n\nMeilleure r\u00e9solution spatiale<\/strong> : passer de 10 m \u2192 1 m, c\u2019est un saut dans le d\u00e9tail visible. Cela ouvre des usages qui auparavant exigeaient des donn\u00e9es commerciales tr\u00e8s co\u00fbteuses. (data jungle adventures<\/a>)<\/li>\n\n\n\n Couverture multispectrale compl\u00e8te<\/strong> : contrairement \u00e0 certains mod\u00e8les qui ne s\u2019int\u00e9ressent qu\u2019\u00e0 quelques bandes (ex. RGB), S2DR3 traite toutes<\/em> les bandes de Sentinel-2, ce qui conserve la richesse spectrale (utile pour agriculture, v\u00e9g\u00e9tation, eau, etc.). (Medium<\/a>)<\/li>\n\n\n\n Applications vari\u00e9es<\/strong> : agriculture de pr\u00e9cision, cartographie urbaine fine, suivi environnemental, infrastructures. Par exemple une \u00e9tude montre que les indices de v\u00e9g\u00e9tation d\u00e9riv\u00e9s de S2DR3 ont de meilleures corr\u00e9lations avec le rendement des cultures que ceux de la version standard 10 m. (MDPI<\/a>)<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>Fonctionnement simplifi\u00e9<\/span><\/h2>\n\n\n\n\nOn part d\u2019une sc\u00e8ne Sentinel-2 (niveau L1C ou L2A) qui contient les bandes \u00e0 10 m, 20 m, 60 m de r\u00e9solution. (MDPI<\/a>)<\/li>\n\n\n\n Le mod\u00e8le (r\u00e9seau de neurones profonds) apprend \u00e0 \u00ab super-r\u00e9soudre \u00bb chaque bande : c\u2019est-\u00e0-dire \u00e0 pr\u00e9dire une version plus fine de l\u2019image \u00e0 partir de l\u2019originale, tout en essayant de conserver les signatures spectrales correctes. (data jungle adventures<\/a>)<\/li>\n\n\n\n Le r\u00e9sultat : une image multispectrale g\u00e9or\u00e9f\u00e9renc\u00e9e \u00e0 ~1 m\/pixel, toutes bandes comprises.<\/li>\n\n\n\n Le script ci-dessous utilise ce mod\u00e8le via un paquet Python s2dr3.inferutils<\/code>, pour automatiser l\u2019appel, la r\u00e9cup\u00e9ration de la sc\u00e8ne, le traitement, l\u2019export dans Google Drive, etc.<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>Usages pratiques dans un script<\/span><\/h2>\n\n\n\nVoyons comment le code s\u2019inscrit dans ce cadre :<\/p>\n\n\n\n <\/div>Example de code S2DR3<\/div><\/div><\/div><\/strong><\/p>\n\n\n\n# Lien vers le dossier Drive\n!ln -s \/content\/drive\/MyDrive\/Sentinel2_1m \/content\/output\n\n# Installation du paquet S2DR3\n!pip -q install https:\/\/storage.googleapis.com\/...\/s2dr3-20250905.1-cp312-cp312-linux_x86_64.whl\n\nimport s2dr3.inferutils\n\n# Coordonn\u00e9es (Loja, \u00c9quateur)\nlonlat = (-79.203, -4.008)\n\n# Date de l\u2019image\ndate = '2024-08-23'\n\n# Traitement\ns2dr3.inferutils.test(lonlat, date)\n<\/code><\/pre>\n\n\n\n<\/div><\/div><\/strong><\/p>\n\n\n\n \nVous indiquez une zone d\u2019int\u00e9r\u00eat<\/strong> (longitude\/latitude) : cela d\u00e9clenche la r\u00e9cup\u00e9ration de la sc\u00e8ne Sentinel-2 la plus proche de la date, couvrant cette zone.<\/li>\n\n\n\n Le mod\u00e8le g\u00e9n\u00e8re alors la version 1 m du jeu de bandes \u00e0 partir de l\u2019image originale.<\/li>\n\n\n\n Le r\u00e9sultat est enregistr\u00e9 dans \/content\/output<\/code> (qui est li\u00e9 \u00e0 votre Google Drive) pour acc\u00e8s\/sauvegarde.<\/li>\n<\/ul>\n\n\n\n<\/a><\/figure>\n\n\n\n \n\n\n\n<\/span>Limites & points de vigilance<\/span><\/h2>\n\n\n\nImportant de conna\u00eetre aussi les contraintes :<\/p>\n\n\n\n\nQualit\u00e9 variable selon zone\/date<\/strong> : Le mod\u00e8le suppose que l\u2019image contient peu de nuages, peu d\u2019obscurcissements, et que les surfaces sont bien repr\u00e9sent\u00e9es. Dans certaines conditions (trop d\u2019ombre, nuages, zones tr\u00e8s particuli\u00e8res) la super-r\u00e9solution peut produire des artefacts.<\/li>\n\n\n\n Donn\u00e9es g\u00e9n\u00e9r\u00e9es, pas \u00ab vraies \u00bb 1 m commerciales<\/strong> : M\u00eame si la r\u00e9solution est ~1 m, cela reste une estimation par un mod\u00e8le, pas une acquisition native \u00e0 1 m. Il faut donc \u00eatre prudent avec des usages tr\u00e8s critiques (ex. l\u00e9gaux ou d\u2019ing\u00e9nierie).<\/li>\n\n\n\n Ressources de calcul<\/strong> : Le traitement peut \u00eatre gourmand (GPU, m\u00e9moire). Les notebooks gratuits (ex. Colab) ont des limites.(voir dans l\u2019article suivant comment configurer le traitement avec GPU T4)<\/li>\n\n\n\nValidations n\u00e9cessaires<\/strong> : Comme toute IA, les r\u00e9sultats doivent \u00eatre valid\u00e9s selon l\u2019application. Une \u00e9tude montre que pour certaines cultures, l\u2019avantage est r\u00e9el mais pas automatique. (MDPI<\/a>)<\/li>\n\n\n\n Co\u00fbt \/ licence possible<\/strong> : Certaines versions commerciales ou \u00e0 grande \u00e9chelle peuvent impliquer un co\u00fbt ou des conditions d\u2019usage. (data jungle adventures<\/a>)<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>Recommandations d’usage<\/span><\/h2>\n\n\n\nVoici quelques conseils pour tirer le meilleur parti de S2DR3 dans vos scripts :<\/p>\n\n\n\n\nV\u00e9rifiez que la date choisie a une belle couverture (peu de nuages) pour la zone d\u2019int\u00e9r\u00eat.<\/li>\n\n\n\n Apr\u00e8s traitement, v\u00e9rifiez visuellement le rendu (par ex dans QGIS ou un notebook) pour d\u00e9celer d\u2019\u00e9ventuels artefacts.<\/li>\n\n\n\n Comparez (si possible) avec la version d\u2019origine \u00e0 r\u00e9solution standard de Sentinel-2 pour voir ce que le mod\u00e8le apporte.<\/li>\n\n\n\n Si vous faites de l\u2019analyse (par ex de v\u00e9g\u00e9tation, classification), r\u00e9alisez des tests sur un petit lot avant de traiter de grandes zones.<\/li>\n\n\n\n Documentez bien la provenance : \u00ab image super-r\u00e9solue via S2DR3 le XX\/XX\/XXXX \u00bb pour transparence.<\/li>\n\n\n\nPour des usages de production ou commercialisation, v\u00e9rifiez les conditions de licence d\u2019usage du mod\u00e8le ou des produits g\u00e9n\u00e9r\u00e9s.<\/li>\n<\/ul>\n\n\n\n \n\n\n\n\n<\/span>Entre illusion de nettet\u00e9 et valeur scientifique<\/span><\/h2>\n\n\n\nLa super-r\u00e9solution repose sur une id\u00e9e s\u00e9duisante : recr\u00e9er une image \u00e0 tr\u00e8s haute r\u00e9solution \u00e0 partir d\u2019une image de r\u00e9solution moyenne, comme celles de Sentinel-2. Les algorithmes de deep learning apprennent \u00e0 extrapoler les structures spatiales fines (textures, contours, transitions) \u00e0 partir des corr\u00e9lations observ\u00e9es dans les donn\u00e9es d\u2019origine. Le r\u00e9sultat est souvent spectaculaire, offrant une impression de nettet\u00e9 et de d\u00e9tail proche d\u2019une image \u00e0 1 m\u00e8tre.<\/p>\n\n\n\n Cependant, cette pr\u00e9cision apparente n\u2019est pas une mesure directe de la r\u00e9alit\u00e9<\/strong>. Le mod\u00e8le reconstruit une image plausible<\/em> selon les r\u00e9gularit\u00e9s statistiques apprises, mais il n\u2019ajoute pas d\u2019information spectrale ni physique<\/strong>. En ce sens, la super-r\u00e9solution \u00ab invente \u00bb une r\u00e9alit\u00e9 probable, sans garantie que chaque pixel corresponde fid\u00e8lement \u00e0 ce qui existe sur le terrain.<\/p>\n\n\n\n Cela ne remet pas en cause son int\u00e9r\u00eat : ces images am\u00e9lior\u00e9es peuvent grandement faciliter la visualisation, la segmentation ou la d\u00e9tection d\u2019objets<\/strong>. Mais leur utilisation doit s\u2019accompagner de v\u00e9rifications de coh\u00e9rence<\/strong>, notamment par comparaison avec des images \u00e0 tr\u00e8s haute r\u00e9solution r\u00e9elles ou des observations de terrain. La super-r\u00e9solution ouvre donc une porte int\u00e9ressante vers une meilleure lisibilit\u00e9 des images, \u00e0 condition de ne pas confondre illusion de nettet\u00e9 et information nouvelle<\/strong>.<\/p>\n<\/div><\/div>\n\n\n\n \n\n\n\nDans le prochain article, Utiliser S2DR3 dans Google Colab pour l\u2019\u00e9tude des coraux \u00e0 Maurice<\/a>, nous verrons un cas concret d’utilisation de cette proc\u00e9dure.<\/p>\n\n\n\n \n","protected":false},"excerpt":{"rendered":"Tout d’abord, rendons \u00e0 C\u00e9sar ce qui appartient \u00e0 C\u00e9sar! J’ai d\u00e9couvert cette technique gr\u00e2ce au blog de Franz dont je vous invite, si vous parlez l’espagnol, \u00e0 parcourir ses nombreuses richesses. Pour traiter les images…<\/p>\n","protected":false},"author":1,"featured_media":15855,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"give_campaign_id":0,"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"sfsi_plus_gutenberg_text_before_share":"","sfsi_plus_gutenberg_show_text_before_share":"","sfsi_plus_gutenberg_icon_type":"","sfsi_plus_gutenberg_icon_alignemt":"","sfsi_plus_gutenburg_max_per_row":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"jetpack_post_was_ever_published":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[147],"tags":[3791,343,3789,3793,3787],"class_list":["post-15840","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-images","tag-google-colab","tag-images","tag-resolution","tag-s2dr3","tag-sentinel-2"],"aioseo_notices":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2025\/10\/article_sd3.jpg?fit=846%2C393&ssl=1","jetpack_shortlink":"https:\/\/wp.me\/p6XU0A-47u","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/15840","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/comments?post=15840"}],"version-history":[{"count":0,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/15840\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media\/15855"}],"wp:attachment":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media?parent=15840"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/categories?post=15840"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/tags?post=15840"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}