PRÉLIMINAIRES

I. Épistémologie et Enjeux Scientifiques du Domaine

La physique spatiale, par le prisme de la télédétection, opère une révolution copernicienne dans notre rapport au territoire. Elle transmute l’observation qualitative en une science quantitative de l’environnement, où chaque pixel devient une donnée mesurable et prédictive. L’enjeu n’est plus de cartographier le visible, mais de modéliser l’invisible : stress hydrique de la végétation, déformation millimétrique du sol, ou concentration de gaz à effet de serre. Cette UE ancre l’étudiant dans cette mutation paradigmatique, en faisant de lui un interprète des flux électromagnétiques pour décrypter les dynamiques complexes de la planète.

II. Cartographie des Compétences et Transversalité

Les compétences visées forment une chaîne de valeur analytique indissociable. Le traitement d’images satellitaires (Compétence 1) constitue le socle technique qui alimente l’évaluation des ressources et des risques (Compétence 2), laquelle culmine dans la modélisation prédictive (Compétence 3). Cette architecture de compétences exige une transversalité absolue, fusionnant physique des capteurs, algorithmie, science des données, géophysique et climatologie. L’étudiant ne devient pas un simple opérateur d’outils, mais un architecte de solutions géospatiales, capable de dialoguer avec des experts de domaines connexes pour produire une intelligence territoriale intégrée.

III. Alignement Stratégique avec les Réalités Opérationnelles

Cette unité d’enseignement est la passerelle finale entre la maîtrise théorique et l’employabilité immédiate. Les métiers d’Expert en Télédétection, d’Ingénieur Géophysicien et de Spécialiste SIG ne sont pas des horizons lointains mais la destination contractuelle de ce parcours. Chaque chapitre est conçu pour simuler une mission professionnelle, forgeant des réflexes opérationnels et une capacité à produire des livrables concrets : rapports d’audit environnemental, cartes de risques, modèles de prévision. L’objectif est de rendre l’étudiant non seulement compétent, mais directement rentable pour un centre de recherche ou une entreprise dès la fin de son stage.

Chapitre I. Posture et Méthodologie de l’Ingénieur Stagiaire en Géosciences

I.1 Cadrage du projet de stage et définition des livrables

Au-delà d’une simple immersion, le stage constitue un contrat de production scientifique avec des objectifs précis et mesurables. Cette section installe la méthodologie de gestion de projet (diagramme de Gantt, méthode SMART) comme l’outil cardinal pour structurer les six mois d’immersion. L’étudiant apprend à traduire une problématique de recherche large, proposée par le centre d’accueil, en un plan de travail séquentiel, avec des jalons de validation et des livrables intermédiaires. La finalité est de garantir l’alignement constant entre les attentes de l’encadrant et la production effective du stagiaire.

I.2 Stratégies de sourcing et de validation des données géospatiales

Face à la prolifération des sources de données, la compétence première réside dans leur sélection et leur qualification critique. Ce sous-chapitre outille l’étudiant pour naviguer dans les archives de l’ESA, de la NASA, et des agences émergentes, mais surtout pour évaluer la pertinence de chaque capteur (résolution spatiale, temporelle, spectrale) au regard de sa problématique. Une attention particulière est portée aux techniques de “ground truth” (vérité terrain) frugales, essentielles en contexte africain pour corriger et valider les informations extraites des images, assurant ainsi la robustesse scientifique du travail.

I.3 Éthique de la donnée et cadre juridique de l’information géographique

Manipuler la donnée géographique engage une responsabilité légale et éthique incontournable, particulièrement lorsqu’elle touche à la souveraineté (ressources naturelles) ou à la sécurité des populations (zones à risque). Cette analyse dissèque les cadres juridiques nationaux et internationaux (type INSPIRE en Europe) et les adapte aux réalités locales, en insistant sur les questions de propriété de la donnée, de droit à l’image et d’anonymisation. L’ingénieur doit intégrer ces contraintes comme des paramètres de conception de son système d’information, et non comme des obstacles administratifs.

I.4 Application : Audit d’un périmètre d’exploitation minière artisanale

Mission de simulation : un organisme gouvernemental mandate l’étudiant pour évaluer l’expansion non contrôlée de sites d’orpaillage dans une province de RDC. L’objectif est de produire, en un temps contraint, une cartographie diachronique de l’emprise des sites en utilisant des images Sentinel-2. Le stagiaire doit mobiliser les compétences du chapitre pour définir son plan de travail, sourcer les données adéquates, planifier une campagne de validation terrain minimale et identifier les points légaux liés à la diffusion des cartes produites, démontrant sa pleine capacité opérationnelle.

Chapitre II. Chaînes de Prétraitement Radiométrique et Géométrique

II.1 Fondements physiques de la correction des signaux satellitaires

Provenant des interactions complexes entre le rayonnement, l’atmosphère et la surface terrestre, le signal brut enregistré par un capteur est une mesure bruitée. Ce segment expose la physique derrière les perturbations atmosphériques (absorption, diffusion de Mie et de Rayleigh) et les distorsions géométriques liées à l’orbite et au relief. Comprendre l’origine de ces artéfacts n’est pas un exercice académique ; c’est la condition sine qua non pour choisir et paramétrer les algorithmes de correction qui transformeront une image brute en une donnée scientifique fiable et comparable dans le temps et l’espace.

II.2 Outils et pipelines de calibration pour l’imagerie optique et radar

Sous l’angle de l’automatisation, ce sous-chapitre présente les chaînes de traitement standardisées comme SNAP (Sentinel Application Platform) et les bibliothèques Python (Rasterio, GDAL) pour orchestrer les corrections. L’étudiant apprend à construire des scripts pour appliquer séquentiellement les étapes de calibration radiométrique (conversion en réflectance), de correction atmosphérique (via des modèles comme 6S ou Sen2Cor) et d’orthorectification à l’aide d’un Modèle Numérique de Terrain (MNT). L’accent est mis sur l’optimisation des calculs pour des machines aux ressources limitées.

II.3 Analyse critique des modèles de correction en milieu équatorial

Sous la couverture nuageuse quasi-permanente et l’épaisse colonne d’aérosols du bassin du Congo, les modèles de correction atmosphérique standards montrent leurs limites. Cette partie confronte l’étudiant à cette réalité en analysant de manière critique les incertitudes résiduelles et les artéfacts post-correction. La problématique de la saturation des capteurs optiques est abordée, justifiant le recours stratégique à l’imagerie radar (SAR), insensible aux nuages. L’objectif est de développer un scepticisme éclairé et la capacité d’adapter les méthodes aux conditions locales extrêmes.

II.4 Mise en situation : Production d’une mosaïque sans nuages sur la Tshopo

Le défi technique est clair : produire une carte de réflectance de surface homogène et sans nuages de la province de la Tshopo pour une saison donnée, en utilisant l’archive Sentinel-2. L’étudiant doit concevoir un script qui (1) télécharge les tuiles pertinentes, (2) applique un masque de nuages robuste, (3) effectue les corrections radiométriques et atmosphériques, et (4) compose une mosaïque en utilisant une méthode de “compositing” (e.g., médiane) pour remplir les zones masquées. Ce travail constitue la donnée d’entrée fondamentale pour toute analyse thématique ultérieure.

Chapitre III. Algorithmes d’Analyse et Classification d’Images Avancées

III.1 Taxonomie des approches de classification : du pixel à l’objet

La classification d’image, qui vise à assigner chaque pixel à une classe thématique (forêt, eau, bâti), est au cœur de la télédétection. Cette section oppose conceptuellement les approches “par pixel” (Maximum de Vraisemblance, SVM) aux approches “orientées objet” (OBIA), qui segmentent d’abord l’image en objets homogènes avant de les classifier. L’OBIA, plus complexe, se révèle supérieure pour l’analyse d’images à très haute résolution, car elle intègre des informations de forme, de texture et de contexte, mimant ainsi l’interprétation humaine.

III.2 Déploiement de l’apprentissage machine pour la segmentation sémantique

L’avènement du Deep Learning a radicalement transformé la classification d’images. Ce sous-chapitre démystifie l’utilisation des réseaux de neurones convolutionnels (CNN), en particulier les architectures de type U-Net, pour la segmentation sémantique. L’étudiant apprend à utiliser des frameworks comme TensorFlow ou PyTorch non pas pour créer un réseau de zéro, mais pour appliquer le “transfer learning” : ré-entraîner un modèle pré-existant avec un jeu de données local, une approche frugale et extrêmement efficace pour obtenir des résultats de pointe avec des ressources de calcul modestes.

III.3 Le paradoxe de la performance : sur-apprentissage et biais des données

Face à l’enthousiasme pour l’IA, une analyse critique est vitale. Les modèles d’apprentissage machine sont des “boîtes noires” statistiques dont la performance dépend entièrement de la qualité et de la représentativité des données d’entraînement. Ce segment aborde les risques de sur-apprentissage (overfitting) et de biais géographique. Un modèle entraîné sur des paysages européens échouera à classifier correctement les savanes africaines. L’étudiant apprend les techniques de validation croisée et l’importance cruciale de constituer des jeux de données d’entraînement locaux et diversifiés.

III.4 Application : Cartographie des cultures de manioc par “transfer learning”

La mission consiste à développer un classifieur capable d’identifier les parcelles de manioc dans la région du Kwango, un enjeu de sécurité alimentaire. Plutôt que de partir de rien, l’étudiant utilisera un modèle U-Net pré-entraîné sur des données agricoles génériques. Sa tâche sera de (1) constituer un petit jeu de données d’entraînement de haute qualité en digitalisant manuellement quelques parcelles sur des images Pléiades, (2) fine-tuner le modèle avec ces données locales, et (3) évaluer rigoureusement sa performance sur une zone de test indépendante.

Chapitre IV. Évaluation Quantitative des Ressources Naturelles et des Risques

IV.1 Principes de la biophysique et indices spectraux dérivés

Au-delà de la simple classification, les données multispectrales permettent d’estimer quantitativement des paramètres biophysiques. Ce sous-chapitre explore la logique derrière les indices spectraux, qui combinent algébriquement plusieurs bandes pour exalter une propriété spécifique de la surface. Le NDVI (Normalized Difference Vegetation Index) pour la vigueur de la végétation, le NDWI (Normalized Difference Water Index) pour les surfaces en eau, ou le NBR (Normalized Burn Ratio) pour la sévérité des feux sont présentés non comme des formules magiques, mais comme des proxys physiques de processus écologiques.

IV.2 Mécanismes d’analyse de séries temporelles pour le suivi des dynamiques

L’atout majeur des constellations satellitaires actuelles est leur haute cadence de revisite, qui permet de passer de la cartographie statique à l’analyse dynamique. Cette section introduit les outils d’analyse de séries temporelles d’indices spectraux pour détecter des changements. Des algorithmes comme BFAST ou LandTrendr sont étudiés pour leur capacité à identifier automatiquement des ruptures dans les séries (déforestation, mise en culture), à caractériser la saisonnalité (phénologie agricole) et à quantifier des tendances de fond (aridification, reverdissement).

IV.3 Limites de l’inversion de modèle et le défi de la validation terrain

L’estimation de variables continues (biomasse, humidité du sol) à partir de données satellitaires repose souvent sur l’inversion de modèles de transfert radiatif ou sur des régressions statistiques. Cette partie met en lumière la nature foncièrement mal posée de ce problème : plusieurs combinaisons de paramètres au sol peuvent produire le même signal satellitaire. Cela impose une validation rigoureuse des produits dérivés par des campagnes de mesures in situ. Le défi logistique et financier de telles campagnes en Afrique centrale est analysé comme une limite majeure à la fiabilité des cartes quantitatives.

IV.4 Mise en situation : Évaluation du risque d’inondation dans la plaine de la Ruzizi

En s’appuyant sur l’archive Landsat et Sentinel-1 (radar), l’étudiant est chargé de produire une carte de l’aléa inondation pour la plaine de la Ruzizi, une zone transfrontalière à forts enjeux. La mission combine (1) l’extraction des surfaces en eau historiques par analyse de séries temporelles NDWI pour délimiter l’extension maximale des crues, et (2) l’utilisation de données radar pour cartographier les inondations actuelles, même sous couverture nuageuse. Le produit final est une carte directement utilisable par les agences humanitaires pour la planification d’urgence.

Chapitre V. Modélisation Spatiale et Systèmes d’Information Géographique (SIG)

V.1 Structures conceptuelles de l’information géographique : Vecteur vs. Raster

L’information géographique est fondamentalement duale. Ce segment pose les fondations théoriques des SIG en opposant les deux modes de représentation du monde réel : le modèle raster, une grille de cellules (pixels) idéale pour les phénomènes continus (altitude, température), et le modèle vecteur, un ensemble de points, lignes et polygones parfait pour les objets discrets (routes, parcelles). Comprendre la logique, les avantages et les contraintes de chaque modèle est la clé pour structurer correctement une base de données géospatiales et choisir les bons outils d’analyse.

V.2 Architecture des géo-traitements et automatisation des flux de travail

Les SIG modernes sont des boîtes à outils complexes. Plutôt que d’apprendre par cœur des centaines de fonctions, l’étudiant apprend ici à penser en “workflows” (flux de travail). Cette section présente les constructeurs de modèles graphiques (ModelBuilder dans ArcGIS, Processing Modeler dans QGIS) et l’introduction au scripting en Python (via ArcPy ou PyQGIS) pour enchaîner logiquement les opérations de géo-traitement. L’objectif est de rendre les analyses reproductibles, auditables et facilement applicables à de nouvelles zones d’étude ou à des données mises à jour.

V.3 Enjeux critiques de l’interopérabilité et des standards OGC

Dans un monde où les données proviennent de multiples agences et formats, l’interopérabilité est le pilier de la collaboration. Cette partie analyse les difficultés techniques et sémantiques qui empêchent les systèmes de communiquer (projections différentes, définitions de classes incompatibles). Elle présente le rôle de l’Open Geospatial Consortium (OGC) et de ses standards (WMS, WFS, GeoPackage) comme des solutions techniques pour permettre le partage et l’utilisation fluide des données géographiques, une nécessité absolue pour construire des infrastructures de données spatiales nationales (IDSN).

V.4 Application : Modélisation de l’accessibilité aux centres de santé à Kinshasa

La mission est de créer une carte de vulnérabilité sanitaire en modélisant le temps de trajet vers les centres de santé à Kinshasa. L’étudiant devra (1) construire une base de données SIG en intégrant des données vecteurs (routes, centres de santé) et rasters (occupation du sol pour estimer les vitesses de déplacement), (2) utiliser une analyse de réseau pour calculer les isochrones (zones accessibles en un temps donné) autour de chaque centre, et (3) croiser ces résultats avec des données de densité de population pour identifier les zones les plus mal desservies.

Chapitre VI. Valorisation et Communication des Résultats du Stage

VI.1 Structure et rhétorique de la communication scientifique et technique

Un résultat qui n’est pas communiqué n’existe pas. Cette section formalise les techniques de rédaction du rapport de stage et de l’article scientifique en suivant la structure IMRaD (Introduction, Méthodes, Résultats et Discussion). L’accent est mis sur la distinction entre la description objective des résultats et leur interprétation dans la discussion, qui doit les confronter à la littérature existante et en souligner les implications. L’étudiant apprend à construire une argumentation claire, concise et étayée par des preuves, adaptée à un public d’experts.

VI.2 Outils de visualisation de données et sémiologie graphique

La carte et le graphique sont les langages de la géomatique. Ce sous-chapitre se concentre sur l’art de la dataviz, en s’appuyant sur les règles de la sémiologie graphique de Jacques Bertin pour produire des visualisations efficaces et honnêtes. Des outils comme Matplotlib, Seaborn ou le composeur d’impression de QGIS sont mobilisés pour créer des figures de qualité publication. L’objectif est de dépasser l’esthétique pour faire de chaque carte un argument visuel puissant, capable de transmettre une information complexe de manière intuitive et immédiate.

VI.3 Mesure de l’impact : de la citation académique à l’aide à la décision

La valeur d’un travail de télédétection ne se mesure pas uniquement en termes de publications académiques. Cette partie critique la vision purement bibliométrique du succès et introduit des métriques d’impact sociétal. Comment le travail a-t-il été utilisé par les acteurs locaux ? A-t-il permis d’optimiser une politique publique, de sécuriser une chaîne d’approvisionnement ou d’améliorer un plan d’urgence ? L’étudiant est formé à documenter ces impacts et à les traduire en arguments tangibles pour valoriser son profil professionnel auprès de recruteurs non-académiques.

VI.4 Mise en situation : Synthèse du stage en un “policy brief” pour un ministère

L’exercice final est la quintessence de la valorisation. L’étudiant doit distiller les résultats de ses six mois de stage non pas en un rapport de 100 pages, mais en un “policy brief” de 4 pages destiné au cabinet du Ministre de l’Environnement ou de l’Aménagement du Territoire. Ce document doit présenter de manière percutante (1) le problème, (2) la solution technique développée, (3) les résultats clés sous forme de 2 ou 3 visualisations fortes, et (4) des recommandations politiques claires, chiffrées et directement actionnables.

ANNEXES

A. Guide de Démarrage Rapide : QGIS pour l’Analyse Géospatiale

QGIS s’impose comme le Système d’Information Géographique de choix dans les contextes où les licences logicielles sont un frein. Cette annexe est un guide opérationnel pour l’Ingénieur Géophysicien ou le Spécialiste SIG. Elle détaille l’installation des plugins essentiels (ex: Semi-Automatic Classification Plugin), la configuration d’un projet pour la RDC (systèmes de projection), et un workflow type pour une analyse thématique, de l’import des données brutes à la production d’une carte finale. L’objectif est de garantir une autonomie technique immédiate, en phase avec la philosophie de l’innovation frugale.

B. Protocole d’Utilisation : Google Earth Engine pour le Traitement Massif

Face aux contraintes de puissance de calcul et de stockage local, Google Earth Engine (GEE) représente une rupture technologique. Cette annexe fournit à l’Expert en Télédétection un protocole strict pour exploiter cette plateforme cloud. Elle explique comment accéder à des pétaoctets d’archives satellitaires, écrire des scripts en JavaScript ou Python pour effectuer des analyses à l’échelle continentale directement sur les serveurs de Google, et exporter uniquement les résultats finaux (statistiques, cartes). C’est l’outil clé pour le suivi du couvert forestier ou la modélisation climatique à grande échelle.

C. Mémento de Scripting : Python avec les Bibliothèques GeoPandas et Rasterio

Pour l’Ingénieur Modélisateur, l’interface graphique a ses limites ; l’automatisation et la personnalisation passent par le code. Ce mémento est une collection de snippets de code Python commentés, centrés sur les bibliothèques GeoPandas (pour les données vecteur) et Rasterio (pour les données raster). Il couvre les tâches récurrentes : lecture et écriture de formats multiples, reprojection, découpage, opérations spatiales et calculs sur les pixels. Cette annexe constitue le socle de compétences en programmation qui distingue un technicien d’un véritable architecte de solutions géospatiales.

Lire aussi :

Cours de Réseaux Informatiques-1, licence-2, RIF1241

Cours de Conception des architectures réseaux, licence-4, CAR1471

Cours de Volcanologie et Géochimie Terrestre, master-1, VGT2121

Cours de Management 1, licence-1, MNG1121

Cours de Techniques et structures, master-1, TST2121

Cours de Rercherche opérationnelle 2, licence-3, ROP1362