Earth Observation

Les bâtiments et les routes absorbent la chaleur du soleil et la restituent plus que les prés et les bois. Là où le béton est abondant et le vert rare, la ville devient un îlot plus chaud que ce qui l’entoure, de jour et de nuit, en toute saison.

La chaleur accumulée sort lentement, c’est pourquoi l’îlot se sent plus après le coucher du soleil. Comptent aussi la forme des rues, qui arrête le vent, et la chaleur du trafic et des climatiseurs. Il existe des îlots même à l’intérieur d’une même ville : un quartier de béton est plus chaud qu’un quartier avec des arbres.

Le satellite ne mesure pas l’air. Il mesure la température de la surface, c’est-à-dire la chaleur que toits, asphalte, prés et cimes des arbres émettent vers le haut. On l’appelle LST, land surface temperature.

Les deux températures peuvent être très éloignées : lors d’une journée d’été un toit ou l’asphalte au soleil arrivent de 28 à 50 °C plus chauds que l’air, tandis que les surfaces à l’ombre ou mouillées restent proches de la température de l’air. La nuit les deux se rapprochent. C’est pourquoi les données des satellites sont associées à celles des capteurs au sol.

Copernicus est le programme d’observation de la Terre de l’Union européenne, avec l’ESA : ses données sont gratuites et ouvertes. Les satellites Sentinel-3 embarquent SLSTR, un radiomètre qui mesure la température de la surface de la terre et de la mer, avec deux vues pour corriger l’effet de l’atmosphère.

La limite est la résolution : un pixel thermique de Sentinel-3 fait un kilomètre. C’est très bien pour comparer une ville avec la campagne et pour suivre le jour et la nuit ; pour distinguer un quartier d’un autre il faut les canaux thermiques de Landsat, à 100 mètres. Dans le projet nous avons utilisé des données des missions Sentinel et Landsat.

L’équipe est née en mars 2025. D’abord la théorie, avec des rencontres chaque semaine : analyse des données, machine learning et deep learning, jusqu’aux foundation models pour l’observation de la Terre. Puis les premiers exercices en Python avec les données d’OpenStreetMap, par exemple les bâtiments les plus proches des cours d’eau dans le quartier de Marassi.

Puis les outils professionnels, les systèmes GIS et Google Earth Engine, et le projet sur les îlots de chaleur de Gênes : une plateforme pour trouver, suivre et montrer les zones les plus chaudes, en comparant la température de la surface entre les zones de la ville. L’étape suivante prévue était des modèles pour prévoir la chaleur et simuler les interventions, comme plus de verdure et des matériaux qui réfléchissent le soleil.