La couverture nuageuse épaisse peut totalement masquer la surface terrestre aux yeux des satellites, tandis que les brouillards fins ou les ombres altèrent la qualité des images des zones rurales et urbaines. En conséquence, de nombreuses images satellites utilisées pour surveiller le climat, les cultures ou l’évolution des villes ne sont exploitées qu’en partie. Une étude publiée dans le International Journal of Bio-Inspired Computation présente une solution prometteuse : un système hybride d’intelligence artificielle capable de « voir à travers » les nuages. Ce système supprime les nuages des images satellites et reconstruit la surface terrestre sous-jacente avec une précision supérieure à celle des méthodes antérieures. Presque toutes les images satellites optiques sont affectées par les nuages à un degré ou un autre, si bien que des progrès dans le traitement des nuages par l’IA pourraient considérablement améliorer la fiabilité des données d’observation de la Terre à haute résolution. Les approches classiques reposaient soit sur des modèles physiques de diffusion de la lumière atmosphérique, soit sur des techniques de traitement d’images comparant plusieurs images dans le temps ou à différentes longueurs d’onde. Ces méthodes sont utiles, mais peinent à traiter les nuages de densité variable ou les zones entièrement obscurcies. Les systèmes d’apprentissage automatique plus récents, qui apprennent des motifs à partir de grands ensembles de données, ont amélioré les résultats, mais nécessitent des images de référence sans nuages. Sans elles, ils génèrent simplement des zones floues là où le paysage est masqué. La nouvelle méthode, baptisée SenseNet, est une application de débruitage profond qui considère les pixels couverts par des nuages ou des brouillards comme un « bruit structuré » pouvant être éliminé. Elle repose sur un modèle inspiré de la nature, l’algorithme hybride de optimisation Coyote-Fox, qui imite le comportement social et coopératif des canidés. En termes computationnels, cet algorithme ajuste les paramètres internes du réseau neuronal afin d’éviter les impasses dans l’apprentissage, permettant de trouver des solutions optimales plutôt que des résultats sous-optimaux. Par rapport aux méthodes existantes, SenseNet améliore le rapport signal-bruit de plus de deux décibels, réduisant ainsi les erreurs résiduelles. Une augmentation de 2 dB équivaut à une amélioration d’environ 60 %. En éliminant les nuages, le système permet une identification plus précise des limites agricoles, des réseaux routiers et des masses d’eau, offrant ainsi une vue plus détaillée des phénomènes comme la déforestation, les rendements des cultures ou l’évolution des infrastructures. Dans les régions persistamment nuageuses, notamment dans les zones tropicales, une suppression plus fiable des nuages pourrait réduire les lacunes dans les données, renforçant ainsi les stratégies d’adaptation au climat et de réponse aux catastrophes, qui dépendent de plus en plus d’informations satellitaires en temps quasi réel.