ICube-SERTIT • Mars-Août 2026 ICube-SERTIT • March-August 2026

Le défi : The challenge: L'extraction des zones incendiées repose traditionnellement sur l'imagerie optique, rendue souvent inutilisable par la couverture nuageuse lors des crises. L'enjeu est de développer une méthode robuste basée sur le radar (Sentinel-1) pour garantir une cartographie rapide 24h/24, indispensable au service Copernicus EMS. Burnt area extraction traditionally relies on optical imagery, which is frequently obstructed by cloud cover during active wildfire crises. The objective is to develop a robust radar-based method (Sentinel-1) to ensure 24/7 rapid mapping capabilities, a critical requirement for the Copernicus EMS service.

Innovation : Innovation: Utilisation du Machine Learning pour passer d'une analyse statistique du signal à une segmentation sémantique automatisée. L'approche exploite la cohérence temporelle et les changements d'intensité polarimétrique du signal SAR pour isoler les signatures de combustion avec une précision compatible avec les exigences opérationnelles. Transitioning from classical statistical signal analysis to automated semantic segmentation using Machine Learning. This approach leverages temporal coherence and polarimetric intensity changes in the SAR signal to isolate burn signatures with a level of precision that meets operational emergency requirements.

Deep Learning & Télédétection Deep Learning & Remote Sensing

Le défi : The challenge: Combler les lacunes de données optiques (Sentinel-2) dues aux nuages en "traduisant" le signal radar, insensible à la météo, en une image visuellement interprétable. La difficulté réside dans la préservation des structures fines et des textures malgré la nature "bruitée" (speckle) du radar. Overcoming Sentinel-2 optical data gaps caused by persistent clouds by "translating" weather-independent radar signals into visually interpretable images. The primary difficulty lies in preserving fine structures and textures while managing the inherent "noise" (speckle) of radar data.

Innovation : Innovation: Mise en œuvre d'une architecture cGAN (Pix2Pix) avec une stratégie d'early fusion à 5 canaux. Innovation majeure dans le curage automatisé du dataset (4 464 triplets) via un filtrage par seuillage de contraste saisonnier, permettant d'atteindre un PSNR de 27.18 dB et une reconstruction fidèle des images optiques. Implementation of a cGAN (Pix2Pix) architecture featuring a 5-channel early fusion strategy. A key innovation involves the automated curation of the dataset (4,464 triplets) via seasonal contrast threshold filtering, achieving a PSNR of 27.18 dB and a faithful reconstruction of agricultural land patterns.