Cette semaine, vous étudierez ce que mesurent les instruments de télédétection et comment la qualité des images peut être affectée par des distorsions radiométriques et géométriques. Vous découvrirez comment ces erreurs apparaissent et explorerez les techniques utilisées pour les corriger, afin de garantir que les images de télédétection reflètent fidèlement les conditions réelles.

Cette semaine, vous apprendrez comment corriger la géométrie d'une image à l'aide de points de contrôle, de techniques de rééchantillonnage et de méthodes d'alignement d'images. Vous découvrirez également des approches d'interprétation des images et d'amélioration du contraste qui permettent d'optimiser la facilité d'utilisation et la qualité visuelle des données de télédétection.

Cette semaine, vous découvrirez les principes fondamentaux de la classification d'images et de la cartographie thématique. Vous étudierez les matrices de covariance et de corrélation, et vous apprendrez comment l'analyse en composantes principales peut être utilisée pour réduire la complexité des données tout en conservant les informations essentielles à l'analyse d'images.

Cette semaine, vous vous concentrerez sur l'application pratique de l'analyse en composantes principales dans le domaine de la télédétection. À travers des exemples détaillés et des cas d'utilisation concrets, vous découvrirez comment cette technique facilite l'interprétation des images, l'extraction de caractéristiques et l'analyse plus efficace d'ensembles de données complexes.

Cette semaine, vous découvrirez les principes fondamentaux de l'interprétation d'images par ordinateur et de l'apprentissage automatique appliqués à la télédétection. Vous explorerez les principes de la classification supervisée, vous examinerez comment les classificateurs de vraisemblance maximale prennent leurs décisions de classification et vous apprendrez comment les fonctions de discrimination sont utilisées pour distinguer les différentes classes d'images. Vous comparerez également différentes approches de classification et vous comprendrez comment les techniques d'apprentissage automatique facilitent l'analyse automatisée des images.

Cette semaine, vous apprendrez comment les classificateurs linéaires sont entraînés et appliqués aux données de télédétection. Vous découvrirez le fonctionnement des machines à vecteurs de support (SVM), vous comprendrez comment elles classifient des ensembles de données tant linéaires que non linéaires, et vous étudierez des exemples concrets de mise en œuvre des SVM.

Cette semaine, vous étudierez la structure et le fonctionnement des réseaux neuronaux en tant qu'outils de classification. Vous apprendrez comment ces réseaux sont entraînés, comment ils identifient des modèles dans les données et comment ils peuvent être utilisés pour résoudre des problèmes de classification en télédétection.

Cette semaine, vous allez découvrir l'évolution des réseaux neuronaux traditionnels vers les réseaux neuronaux convolutifs (CNN). Vous apprendrez comment sont structurés les CNN, comment ils sont utilisés pour l'analyse d'images de télédétection, et comment leurs performances se comparent à celles d'autres approches de classification.

Cette semaine, vous étudierez les techniques de classification non supervisée et le rôle du regroupement (clustering) dans l'identification de structures au sein de données non étiquetées. Vous passerez en revue les méthodes courantes de regroupement, notamment le regroupement par la méthode des k-moyennes, et vous explorerez des approches conçues pour traiter des ensembles de données de télédétection à grande échelle.

Cette semaine, vous découvrirez des techniques permettant de réduire et de sélectionner les caractéristiques dans les ensembles de données de télédétection. Vous explorerez les méthodes basées sur les transformations, les mesures de séparabilité, ainsi que les différences entre les approches basées sur la distribution et celles indépendantes de la distribution, utilisées pour améliorer les performances et l'efficacité de la classification.

Cette semaine, vous étudierez comment sont évaluées la précision des cartes thématiques et les performances des classificateurs. Vous apprendrez à distinguer la précision de classification de la précision de cartographie et découvrirez des méthodologies combinant des techniques supervisées et non supervisées afin d'améliorer les résultats de l'interprétation des images.

Cette semaine, vous découvrirez l'imagerie radar et le radar à ouverture synthétique (SAR). Vous explorerez les concepts liés à la diffusion radar, aux sections efficaces radar et au phénomène de speckle, ce qui vous permettra d'acquérir les bases nécessaires à la compréhension de l'imagerie radar et de ses applications en télédétection.

Cette semaine, vous étudierez comment l'énergie radar interagit avec la surface terrestre. Vous vous pencherez sur la diffusion en surface et en volume, les réflexions sur des cibles dures, la diffusion à la surface de la mer et l'effet cardinal, ce qui vous permettra d'approfondir votre compréhension de l'interprétation des images radar.

Cette semaine, vous aborderez des concepts avancés de télédétection radar, notamment les distorsions géométriques, l'étalonnage radar, l'interférométrie et la tomographie. Vous étudierez également les avantages de la combinaison de l'imagerie optique et radar, et vous conclurez le cours par une révision des concepts clés et des applications abordés tout au long du programme.