Nous développons d’abord une méthode auto-supervisée et généralisée de débruitage multi-canal pour Sentinel-1. La méthode exploite le mode d’acquisition TOPSAR, dans lequel les images sont acquises en rafales (bursts) qui se chevauchent. Nous montrons que les deux observations issues d’un chevauchement sont indépendantes, grâce à la différence d’angle de visée (squint) entre elles. Cela nous permet d’appliquer le cadre Noise2Noise et d’entraîner un réseau directement sur des données réelles, sans image simulée ni référence propre. En opérant sur la matrice de covariance, la méthode estime conjointement tous les paramètres d’intérêt, y compris la corrélation entre les canaux. Le filtre surpasse l’état de l’art sur données simulées et réelles, tout en préservant mieux les textures fines.

Nous étudions ensuite l’apport de ces paramètres pour la surveillance des forêts. La phase interférométrique en bande C porte peu d’information sur la hauteur. La cohérence, en revanche, est corrélée à la hauteur dans des conditions simples, à savoir un terrain plat et un couvert peu dense. Son intégration dans la chaîne d’estimation de hauteur de Kanop sur la forêt des Landes améliore les métriques, mais le gain est trop faible par rapport au coût de calcul pour être retenu en production.

Nous appliquons enfin le filtre à la détection de la déforestation à l’aide de l’algorithme de détection bayésienne de changement en ligne (Bayesian Online Changepoint Detection, BOCD). BOCD a été conçu pour opérer sur des séries temporelles non filtrées, car le débruitage classique réduit le chatoiement au prix de la résolution. Notre filtre supprime au contraire le chatoiement tout en préservant la résolution. Filtrer la série temporelle avant de la fournir à BOCD améliore systématiquement la détection, pour les variantes en simple et double polarisation.