PRÉLIMINAIRES

I. Épistémologie et Enjeux Scientifiques du Domaine

Née du besoin de dépasser les observations météorologiques ponctuelles, la télédétection atmosphérique a connu une révolution conceptuelle avec l’avènement des missions spatiales dès les années 1960. Elle substitue à la mesure locale une vision synoptique et globale, transformant radicalement notre capacité à quantifier les processus atmosphériques. L’enjeu contemporain réside dans la précision des algorithmes d’inversion, qui doivent démêler le signal photonique complexe pour en extraire des profils verticaux de température ou de concentration gazeuse, une clé de voûte pour la modélisation climatique et la surveillance de la qualité de l’air.

II. Cartographie des Compétences et Transversalité

Cette Unité d’Enseignement forge une compétence tripartite, unifiée et opérationnelle. L’étudiant apprendra d’abord à maîtriser la chaîne de traitement du signal satellitaire, une compétence à la croisée de la physique et de l’informatique. Il développera ensuite une expertise analytique pour évaluer les risques climatiques, connectant la physique atmosphérique à la géographie et aux sciences de l’environnement. Enfin, il intégrera ces produits dans des systèmes de modélisation prédictive, une compétence qui le positionne comme un acteur central des Systèmes d’Information Géographique et de la géophysique appliquée.

III. Alignement Stratégique avec les Réalités Opérationnelles

La maîtrise de la télédétection atmosphérique répond directement aux besoins critiques du continent africain en matière de gestion des ressources et de résilience climatique. L’ingénieur géophysicien formé sera capable de quantifier l’impact de la déforestation sur les microclimats ou de suivre la dispersion des polluants issus des exploitations minières. Le spécialiste SIG, lui, traduira ces données en cartes de risques pour l’aménagement du territoire. Ces savoirs ne sont pas théoriques ; ils constituent une expertise rare et immédiatement monnayable auprès des agences nationales, des bureaux d’études environnementales et des organisations internationales.

Chapitre I. Fondements Physiques et Mathématiques du Transfert Radiatif

I.1 L’équation du transfert radiatif comme socle théorique

Dérivée des principes de la conservation de l’énergie, l’équation du transfert radiatif (ETR) gouverne la propagation du rayonnement électromagnétique à travers un milieu absorbant, émettant et diffusant. Ce chapitre la dissèque pour établir son rôle central : elle relie les propriétés physiques de l’atmosphère (température, pression, composition) à la radiance mesurée par un capteur distant. La maîtriser, c’est comprendre l’origine même du signal que l’on cherche à inverser, posant ainsi la pierre angulaire de toute analyse quantitative en télédétection atmosphérique.

I.2 Fenêtres atmosphériques et signatures spectrales

Sous l’angle de la sélectivité, le choix des bandes spectrales n’est jamais anodin ; il conditionne la capacité à isoler un constituant atmosphérique spécifique. Cette section analyse la structure des fenêtres atmosphériques, ces régions du spectre où l’atmosphère est partiellement transparente, et la physique des signatures spectrales d’absorption ou d’émission des gaz comme le CO₂, l’O₃ ou la vapeur d’eau. L’étudiant apprendra à justifier le design des spectromètres modernes en fonction de la cible scientifique, une compétence fondamentale pour l’interprétation des données brutes.

I.3 Le caractère mal-posé du problème inverse

Face à l’inversion de l’ETR, le mathématicien se heurte à un problème fondamentalement mal-posé au sens de Hadamard : la solution n’est ni unique, ni stable face aux bruits de mesure. Cette section expose sans concession cette limite structurelle, qui rend toute inversion directe naïve et vouée à l’échec. Comprendre la nature de cette instabilité est un prérequis absolu pour apprécier la nécessité des méthodes de régularisation, des approches statistiques et des algorithmes itératifs qui seront étudiés par la suite pour contraindre le problème et converger vers une solution physiquement cohérente.

I.4 Application à la surveillance des feux de biomasse en Afrique Centrale

Pour quantifier les aérosols issus des brûlis agricoles saisonniers, le choix du capteur et de ses canaux est stratégique. Cette mise en situation pratique guide l’étudiant dans la sélection d’un instrument comme MODIS ou VIIRS, en justifiant l’usage des canaux infrarouges thermiques pour la détection des points chauds et des canaux visibles/proche-infrarouge pour l’estimation de l’épaisseur optique des aérosols. Il s’agit de mobiliser les fondements physiques pour construire une méthodologie de surveillance robuste, adaptée aux contraintes de couverture nuageuse persistante du bassin du Congo.

Chapitre II. Acquisition et Prétraitement des Données Satellitaires Atmosphériques

II.1 Architectures des capteurs passifs et actifs

Héritage de décennies d’ingénierie spatiale, les technologies de capteurs se divisent en deux philosophies : passive et active. La première, incarnée par les radiomètres et spectromètres, collecte le rayonnement solaire réfléchi ou le rayonnement thermique émis par le système Terre-atmosphère. La seconde, illustrée par les Lidars et Radars, émet son propre signal et analyse son écho. Cette section compare les architectures, les avantages et les contraintes de chaque approche, démontrant leur complémentarité pour obtenir une vision tridimensionnelle et dynamique de l’atmosphère.

II.2 Chaîne de calibration radiométrique et de correction géométrique

Au cœur de la chaîne de traitement, la transformation des comptes numériques bruts (Niveau 0) en radiances physiques calibrées (Niveau 1) est une étape non négociable. Ce sous-chapitre détaille les algorithmes de calibration radiométrique, qui compensent la dégradation instrumentale, et les modèles de correction géométrique, qui projettent chaque pixel sur une grille cartographique précise. L’étudiant y apprendra à manipuler les fichiers de métadonnées pour appliquer ces corrections, garantissant la validité scientifique et la comparabilité des mesures dans le temps et l’espace.

II.3 Critique des algorithmes de masquage nuageux et de correction atmosphérique

Confrontée à la complexité du réel, la distinction entre un nuage fin, un aérosol dense et la surface terrestre est une source majeure d’incertitude. Cette partie analyse de manière critique les limites des algorithmes de masquage nuageux, notamment leur performance variable sous les tropiques. Elle questionne également les hypothèses simplificatrices des modèles de correction atmosphérique standards, qui peinent à gérer les fortes charges en poussières désertiques comme le Harmattan, imposant une vigilance méthodologique constante à l’analyste.

II.4 Développement d’une chaîne de prétraitement pour les données Sentinel-5P

Face aux défis de la pollution de l’air à Kinshasa, l’utilisation des données de l’instrument TROPOMI sur Sentinel-5P est primordiale. L’étudiant est mis en situation de construire un script (par exemple en Python) pour automatiser le téléchargement, la calibration et le filtrage qualité des données de NO₂. L’objectif est de produire des cartes mensuelles de concentration de polluants, en appliquant un masquage nuageux rigoureux et en tenant compte des indicateurs de qualité fournis avec le produit, une application directe pour les agences de protection de l’environnement.

Chapitre III. Algorithmes d’Inversion et Restitution des Paramètres Géophysiques

III.1 La théorie de l’estimation optimale de Rodgers

Concept puissant formalisé par Clive Rodgers, l’estimation optimale fournit un cadre statistique rigoureux pour résoudre le problème inverse. Elle combine la mesure physique (radiance) avec une connaissance a priori de l’état atmosphérique (profil climatologique) pour trouver la solution la plus probable, tout en quantifiant son incertitude. Ce segment expose la formulation mathématique de la méthode, en insistant sur la construction de la matrice de covariance de l’erreur et du vecteur d’état, qui sont les piliers de cette approche bayésienne pour l’inversion des profils atmosphériques.

II.2 Inversion par réseaux de neurones et apprentissage profond

Au-delà des approches statistiques classiques, les méthodes d’apprentissage machine offrent une alternative computationnellement efficace pour l’inversion. Un réseau de neurones, entraîné sur une vaste base de données simulant des milliers d’états atmosphériques via un modèle de transfert radiatif, peut apprendre la relation non-linéaire complexe entre la radiance et le profil de température ou de gaz. Cette section explore l’architecture de ces modèles, les stratégies d’entraînement et leur capacité à accélérer drastiquement le traitement de volumes massifs de données satellitaires.

III.3 Le défi de la validation : l’asymétrie des réseaux de mesure sol

La validation des produits satellitaires constitue le talon d’Achille de la télédétection, particulièrement en Afrique où les réseaux de mesures in situ (sondes, stations sol) sont rares et inégalement répartis. Cette section analyse de manière critique cette asymétrie. Comment valider un produit de 250m de résolution avec une station de mesure ponctuelle ? Comment évaluer la qualité des profils de température sans radiosondages réguliers ? Cette absence de “vérité terrain” impose des stratégies de validation indirecte et une grande prudence dans l’interprétation des résultats.

III.4 Cas pratique : Inversion du profil de vapeur d’eau pour l’agriculture au Sahel

Pour optimiser l’irrigation et anticiper les sécheresses, la connaissance de la vapeur d’eau atmosphérique est cruciale. L’étudiant appliquera une méthode d’estimation optimale simplifiée sur des données simulées d’un sondeur infrarouge pour restituer le contenu intégré en vapeur d’eau. Il devra définir un état a priori pertinent pour la région sahélienne et interpréter la matrice des noyaux de moyenne (Averaging Kernels) pour comprendre à quelles altitudes sa mesure est la plus sensible, produisant ainsi une information directement utilisable pour la modélisation agro-météorologique.

Chapitre IV. Modélisation, Assimilation et Applications Géospatiales

IV.1 Principes de l’assimilation de données dans les modèles de prévision

L’assimilation de données est la science qui consiste à fusionner de manière optimale les observations, souvent partielles et bruitées, avec les prévisions d’un modèle numérique pour corriger sa trajectoire. Ce processus, au cœur des prévisions météorologiques et climatiques modernes, permet de contraindre le modèle par la réalité mesurée depuis l’espace. Ce sous-chapitre expose les concepts fondamentaux du filtrage de Kalman et des approches variationnelles (3D-Var/4D-Var), qui forment l’arsenal théorique de l’ingénieur modélisateur pour intégrer les produits de télédétection.

IV.2 Analyse de séries temporelles et détection d’anomalies

Une fois les paramètres géophysiques restitués, leur valeur réside dans l’analyse de leur évolution temporelle. Cette section présente les outils statistiques et algorithmiques pour traiter des décennies de données satellitaires : décomposition saisonnière, calcul de tendances linéaires, et détection de ruptures ou d’anomalies. L’objectif est de transformer un flux de données brutes en indicateurs synthétiques pertinents, capables de révéler des changements à long terme ou des événements extrêmes, comme l’intensification d’une source de pollution ou l’impact d’El Niño.

IV.3 La problématique du changement d’échelle (upscaling/downscaling)

Un produit satellitaire avec une résolution de 1 km peut-il informer une décision à l’échelle d’une parcelle agricole ? Cette partie aborde la critique technique du changement d’échelle. Elle expose les limites et les méthodes statistiques ou physiques (downscaling) permettant de raffiner l’information spatiale, mais aussi les risques de l’agrégation (upscaling) qui peut masquer des hétérogénéités locales critiques. La maîtrise de cette problématique est essentielle pour coupler les données de télédétection avec des modèles locaux ou des systèmes d’information géographique à fine échelle.

IV.4 Vers un système d’alerte précoce de la qualité de l’air pour les mégapoles

En s’appuyant sur les compétences acquises, l’étudiant conçoit l’architecture d’un système d’information pour une ville comme Lagos ou Le Caire. Il s’agit d’intégrer en quasi-temps réel les produits d’aérosols et de gaz traces (issus des chapitres précédents) dans un modèle de dispersion simple, couplé à des données de vent. Le résultat, visualisé sur une plateforme SIG, est une carte de risque de pollution horaire. Ce projet de synthèse démontre la capacité à construire une chaîne de valeur complète, de la donnée satellite brute à l’outil d’aide à la décision.

ANNEXES

A. Chaîne de Traitement Python (SatPy, Xarray, Cartopy)

Pour l’ingénieur géophysicien, la maîtrise d’un environnement de programmation est non-négociable. Cette annexe fournit une méthodologie complète pour construire une chaîne de traitement robuste et open-source avec Python. Elle détaille l’utilisation de la bibliothèque SatPy pour lire une multitude de formats de données satellitaires, de Xarray pour la manipulation efficace de données multidimensionnelles labellisées, et de Cartopy pour la production de visualisations géoréférencées de qualité publication. Cette approche frugale et puissante permet de traiter des téraoctets de données sur une infrastructure locale ou en cloud, une compétence clé pour l’expert en télédétection.

B. Intégration et Visualisation Avancée sous QGIS

Le spécialiste en Systèmes d’Information Géographique (SIG) est le traducteur entre la donnée géospatiale et le décideur. Cette annexe technique se concentre sur l’exploitation des produits de télédétection atmosphérique dans l’environnement QGIS. Elle va au-delà de la simple visualisation en montrant comment utiliser le “Raster Calculator” pour combiner des couches, comment interroger des séries temporelles de pixels avec le plugin “Temporal/Spectral Profile”, et comment créer des atlas cartographiques automatisés pour le reporting environnemental. L’objectif est de transformer QGIS en un véritable tableau de bord analytique pour le suivi des risques climatiques.

C. Automatisation de l’Accès aux Données via les API Copernicus et NASA

L’expert en modélisation climatique doit pouvoir accéder de manière programmatique à des décennies d’archives de données. Cette annexe est un guide pratique pour l’utilisation des Interfaces de Programmation d’Application (API) des grands portails de données comme le Copernicus Climate Data Store (CDS) ou le NASA Earthdata Search. Elle fournit des exemples de scripts pour rechercher, commander et télécharger automatiquement des collections de données spécifiques, en contournant les interfaces web manuelles. Cette compétence est fondamentale pour construire des climatologies, forcer des modèles ou mener des études de tendances à grande échelle.

Lire aussi :

Cours de Calcul de Niveau de Référence des Gaz à Effet de Serre GES, Techniques Maggic Sengen et Globium, master-2, CNR2231

Cours de Recherche et Rédaction du Mémoire, master-2, MGE2241

Cours de Analyse de données avancée, master-2, ADA2241

Cours de Informatique, licence-1, INF1111

Cours de Modélisation et base de données, licence-2, MBD1231

Cours de Sécurité informatique, master-1, SEI2121