Complétion par apprentissage profond de séries temporelles d'images multi-spectrales à partir d'images hyper-spectrales

Abstract

Dans cet article, nous nous intéressons à la complétion d'une série temporelle d'images satellitaires multi-spectrales à partir d'une série temporelle d'images satellitaires hyper-spectrales. Nous proposons pour cela une nouvelle approche d'apprentissage profond. Notre contribution principale réside dans la tâche de complétion de l'erreur qui permet d'améliorer la qualité de complétion. Nous montrons que l'approche proposée est capable de fournir des prédictions haute fidélité avec de meilleurs indices de qualités que les approches de la littérature, sur des images réelles issues des bases de données CIA / LGC et Sentinel-2 / Sentinel-3.