Détection des sargasses par satellite & prédiction des échouements

Sat, 01 Jun 2024 00:00:00 +0000

Contexte

Les échouements de sargasses perturbent les littoraux caribéens. L’objectif : détecter tôt les radeaux d’algues en mer et prédire où et en quelle quantité ils s’échoueront, afin que les communes et les autorités environnementales puissent planifier à l’avance le ramassage — et les interventions en mer.

Le problème : une réflectance brute difficile à lire

Sur une image satellitaire multispectrale brute, les sargasses forment un signal faible sur un fond océanique vaste et variable. Les radeaux sont fins, fragmentés et souvent peu contrastés : leurs bords se fondent dans l’eau environnante, et la structure d’ensemble d’une bande — où elle commence, où elle s’amincit, où elle se disloque — est difficile à distinguer à l’œil comme avec des indices génériques.

Savoir qu’il y a des sargasses ne suffit pas. Pour agir, il faut voir à quoi elles ressemblent.

Contribution principale : un indicateur de contraste original

J’ai conçu un indicateur de contraste dédié aux sargasses. Plutôt que de simplement signaler des pixels, il est construit pour donner une lecture très nette des données et des formes : radeaux et bandes ressortent franchement de l’eau, avec des contours bien définis et une structure interne préservée. (Détails de formulation non publiés pour l’instant.)

Ce qu’il apporte :

Une délimitation nette des radeaux et des bandes allongées de sargasses.
Une image lisible de l’organisation de la masse, et pas seulement de sa position.
Une entrée plus propre pour la segmentation, la quantification et la modélisation de la dérive en aval.

Pourquoi la forme compte

La géométrie des bandes est l’information clé pour les opérations :

Dispersion — les sargasses sont-elles concentrées en un radeau dense ou éparpillées en nombreuses petites plaques ?
Traîne — la façon dont la bande s’étire et s’allonge derrière sa tête, qui révèle comment elle est entraînée par les courants et le vent.
Orientation et direction de dérive — vers où se dirige la bande, et donc quelles portions de côte sont exposées.

C’est la lecture de ces formes qui permet de planifier les interventions sur site (où déployer la collecte en mer ou les barrages) et d’anticiper les échouements plutôt que de les subir.

Chaîne de traitement

flowchart TB
 A["Imagerie satellitaire — multispectrale"] --> B["Masquage nuages / eau"]
 B --> C["Indicateur de contraste sargasses original"]
 C --> D["Délimitation des radeaux & bandes — forme, dispersion, traîne"]
 D --> E["Quantification en mer"]
 E --> F["Modèle de dérive / d'échouement"]
 F --> G["Alertes & planification des interventions"]

Méthodes

Analyse d’images satellitaires multispectrales.
Indicateur de contraste original pour une lecture nette des radeaux et bandes de sargasses.
Analyse de la forme des bandes : dispersion, allongement/traîne, orientation.
Détection des radeaux et quantification de leur surface en mer.
Modélisation prédictive de la dérive et des échouements pour anticiper les zones d’arrivée et les volumes.

Résultats

Cartes claires et lisibles des radeaux et bandes de sargasses en mer.
Capacité d’alerte précoce pour les communes littorales.
Prévisions quantitatives des échouements au service d’une planification proactive du ramassage et des interventions.

Visuels et compléments à venir.

Stack technique

Python · imagerie satellitaire · analyse spectrale · modélisation prédictive

Modélisation Prédictive on Boris Dupoux