DeepSpace : comment compresser une image satellite 100 fois sans perdre l'essentiel

Un satellite d'observation de la Terre capture aujourd'hui bien plus de données qu'il ne peut en transmettre au sol. Ce n'est pas la prise de vue qui limite l'exploitation des images, mais la bande passante disponible lors des rares fenêtres de contact avec une station terrestre. C'est ce goulot d'étranglement, souvent sous-estimé face à l'attention portée aux capteurs eux-mêmes, que des chercheurs de l'Université d'Édimbourg et de l'Université de l'Illinois à Urbana-Champaign ont attaqué avec DeepSpace, présenté à la conférence ACM SIGCOMM 2025.

Le vrai goulot d'étranglement de l'observation satellitaire

Un satellite en orbite basse ne survole une station de réception que quelques minutes à la fois, plusieurs fois par jour au mieux. Toute l'imagerie capturée entre deux passages doit être stockée à bord, avec une capacité mémoire elle-même contrainte par le poids et l'énergie disponible sur un petit satellite. Résultat : une partie des images acquises attend des jours avant d'être transmise et exploitable, un délai incompatible avec des usages qui exigent une réaction rapide, comme la détection d'un départ de feu de forêt. Plus une constellation compte de satellites, plus ce problème de bande passante et de stockage s'aggrave, puisque chaque satellite continue de produire des volumes de données croissants sans que les fenêtres de transmission au sol n'augmentent au même rythme.

Compresser à bord grâce à la super-résolution, plutôt qu'après coup

L'approche de DeepSpace ne cherche pas à améliorer la transmission elle-même, mais à réduire drastiquement ce qui doit être transmis, en le faisant à bord du satellite plutôt qu'au sol. Le système s'appuie sur la super-résolution par apprentissage profond : au lieu d'envoyer l'image complète en haute résolution, le satellite transmet une version fortement compressée, qu'un modèle de deep learning reconstruit ensuite avec un niveau de détail proche de l'original. Les chercheurs ont conçu pour cela un cadre de "mixture of experts" (mélange d'experts) sur mesure, une architecture qui combine plusieurs sous-modèles spécialisés plutôt qu'un unique réseau généraliste, pensée spécifiquement pour fonctionner dans les contraintes de calcul très limitées d'un petit satellite en orbite basse.

Un facteur de compression supérieur à 100, sans perte d'exploitabilité

Le résultat rapporté par les auteurs est un taux de compression supérieur à 100 fois, réalisé en temps réel directement à bord du satellite, sans dégrader la précision des applications qui exploitent ensuite l'image. Point important sur le plan méthodologique : les chercheurs ne se sont pas contentés de mesurer la qualité visuelle de l'image reconstruite, ils ont vérifié que des applications concrètes obtiennent des performances comparables à partir de l'image compressée-décompressée et à partir de l'image brute non compressée. Cette compression drastique fait passer les délais de transfert de plusieurs jours à quelques minutes, tout en réduisant fortement le coût de stockage des volumes considérables de données d'observation de la Terre.

Trois cas d'usage cités par les chercheurs

Les auteurs mentionnent explicitement trois applications susceptibles de bénéficier d'une telle réduction du délai entre capture et disponibilité de l'image : la détection de feux de forêt, le suivi de la pollution plastique, et la cartographie de l'occupation du sol. Le point commun entre ces trois cas d'usage est la sensibilité au facteur temps : une donnée disponible en quelques minutes plutôt qu'en plusieurs jours change concrètement la capacité à agir, qu'il s'agisse de déclencher une intervention sur un départ de feu ou d'actualiser une carte d'occupation du sol à un rythme plus proche du temps réel.

Ce que ça change pour la conception des systèmes d'observation

Pour un praticien de la télédétection, DeepSpace illustre un déplacement de l'endroit où l'IA intervient dans la chaîne de traitement : non plus seulement au sol, sur des images déjà téléchargées, mais directement à bord du satellite, comme une étape de compression intelligente insérée avant la transmission. C'est cohérent avec une tendance plus large de l'observation de la Terre, portée par la multiplication des constellations de petits satellites à faible coût, où la capacité de calcul embarqué devient un facteur de conception aussi structurant que la résolution du capteur.

À suivre

DeepSpace reste, à ce stade, un résultat de recherche académique publié dans une conférence de référence en systèmes réseau, pas un système déployé sur une constellation opérationnelle. La question qui déterminera son impact réel est celle du transfert vers l'industrie : quels opérateurs de satellites d'observation intégreront une architecture de ce type dans leur prochaine génération de charge utile, et sous quel délai.