SenRVM : série temporelle de NDVI sans lacunes par régression multimodale pour le suivi de la végétation
Le suivi de la végétation est un exemple d’application de l’Observation de la Terre où la répétitivité des mesures est un paramètre important. L’utilisation traditionnelle d’images optiques peut souffrir de données manquantes causées par la couverture nuageuse. Ces données manquantes peuvent durer plusieurs semaines voire plusieurs mois et survenir à des périodes clé de changements de surface (par exemple le début de croissance ou une récolte dans le cas des surfaces agricoles). Sentinels Regression for Vegetation Monitoring (SenRVM) est une approche multimodale s’appuyant à la fois sur la capacité des capteurs optiques à décrire l’état de la végétation et sur celles des capteurs radar qui ne sont pas affectés par les nuages. L’architecture d’apprentissage profond proposée vise à prédire un descripteur optique (NDVI) à partie de donnée radar et auxiliaires. SenRVM permet d’obtenir des séries temporelles de NDVI à six jours et sans données manquantes, adéquates pour le suivi de la végétation.
Ce travail a fait l’objet d’une publcation dans la revue Remote Sensing of Environment (Garioud et al., 2021).
