La technologie satellitaire a fondamentalement transformé les communications mondiales, permettant de tout passer de l'Internet à large bande dans les régions éloignées à l'observation de la Terre à haute résolution pour la surveillance du climat. Toutefois, la physique de la transmission de radiofréquences impose de graves contraintes sur la bande passante disponible, en particulier pour les missions à faible orbite terrestre et dans les missions en espace profond. Pour maximiser l'utilité de chaque précieux bit, des techniques sophistiquées de compression des données sont utilisées.

Importance de la compression des données dans les communications par satellite

Un satellite géostationnaire typique ne peut avoir que quelques centaines de mégahertz de spectre utilisable, partagés entre de nombreux utilisateurs et services, tandis que les missions d'espace profond comptent sur des canaux étroits avec des taux de données extrêmement faibles. La compression des données permet de remédier directement à cette rareté en réduisant le nombre de bits nécessaires pour représenter l'information. Par exemple, la compression d'une image de 100 Mo à 10 Mo réduit le temps de transmission par ordre de grandeur, libérant ainsi la liaison descendante pour d'autres données de charge utile.

Au-delà des économies de bande passante, la compression réduit la consommation d'énergie, tant en transmission (car les rafales plus courtes nécessitent moins d'énergie) que dans le stockage (car il faut moins de mémoire embarquée). Elle permet également de revoir les vitesses des satellites d'observation de la Terre plus rapidement, en permettant une imagerie plus fréquente sans dépasser la capacité de liaison descendante. Dans les missions dans l'espace profond, où les signaux prennent des minutes ou des heures pour atteindre la Terre, la compression efficace peut signifier la différence entre recevoir un ensemble de données scientifiques critiques ou la perdre pour en bitiller les erreurs et les retards de retransmission.

Techniques de compression sans perte

La compression sans perte garantit que les données décompressées sont identiques à l'original. Ceci est essentiel pour les mesures scientifiques, la télémétrie et toute application où l'intégrité des données ne peut être compromise. Bien que les méthodes sans perte atteignent des rapports de compression plus faibles que les méthodes perdues – généralement entre 2:1 et 5:1 pour les données de télédétection – elles garantissent une reconstruction parfaite.

Entropie : Huffman et Arithmétique

Le codage Huffman attribue des mots de code plus courts à des symboles plus fréquents, réduisant ainsi la longueur moyenne du code. Il est simple, rapide et largement utilisé dans les systèmes de télémétrie par satellite. Le codage arithmétique, bien qu'il soit plus intensif en calcul, peut obtenir une meilleure compression en encodant des séquences entières de symboles comme un seul nombre de points flottants.

Méthodes basées sur les dictionnaires: LZW et DEFLATE

Lempel-Ziv-Welch (LZW) construit un dictionnaire de motifs répétés pendant l'encodage, ce qui le rend efficace pour le texte et les données structurées. DEFLATE, qui combine LZ77 (une technique de dictionnaire de fenêtre coulissante) avec le codage Huffman, est utilisé dans des formats comme PNG et ZIP. Bien que DEFLATE offre une bonne compression pour les données génériques, ses exigences en matière de mémoire et de traitement peuvent être élevées pour les ordinateurs embarqués par satellite, qui utilisent souvent des processeurs à rayonnement durci avec des ressources limitées.

Encodage de longueur d'exécution (RLE) pour des types de données spécifiques

RLE remplace les valeurs identiques consécutives par un nombre et la valeur elle-même. Il est particulièrement efficace pour les données à longues séries de zéros, comme les valeurs d'étalonnage des capteurs ou les champs de télémétrie. De nombreuses unités de traitement de données de charge utile mettent en œuvre RLE comme une étape de prétraitement légère avant une compression plus avancée.

Techniques de compression de perte

La compression perdue permet de contrer une certaine fidélité à l'information pour des rapports de compression nettement plus élevés, souvent de 10:1 à 100:1 ou plus. Ceci est acceptable pour les images, les vidéos et les sons où les artefacts mineurs sont tolérables, surtout dans les applications comme l'observation de la Terre commerciale ou la télévision à diffusion.

JPEG et JPEG 2000 pour l'imagerie par satellite

La norme classique JPEG utilise la transformation discrète de la cosine (DCT) pour convertir les blocs d'images spatiales en coefficients de fréquence, qui sont ensuite quantifiés (perdant certaines données) et codés entropie. Bien qu'efficaces, JPEG peut produire des artefacts bloquants à des rapports de compression élevés. JPEG 2000, basé sur la transformation discrète de la vague (DWT), offre une qualité supérieure à des niveaux de compression similaires, supporte des modes sans perte et sans perte dans un seul codec, et est particulièrement bien adapté pour les grandes images satellitaires.

Compression par onde pour les données hyperspectrales

Les capteurs hyperspectraux capturent des dizaines ou des centaines de bandes spectrales étroites, générant d'énormes volumes de données. La compression basée sur les ondes – telle que la transformation 3D-DWT (transformation discrète en trois dimensions des vagues) – exploite la redondance tant dans les dimensions spatiales que spectrales. La norme CCSDS Hyperspectral Data Compression fournit un codec conçu spécifiquement à cette fin, permettant d'obtenir des rapports de compression qui permettent le stockage à bord et la liaison descendante de cubes hyperspectraux qui nécessiteraient autrement des passages multiples.

Compression vidéo: H.264, H.265, et Codecs émergents

Les liaisons descendantes de la vidéo par satellite, utilisées pour la collecte de nouvelles, la surveillance et la télémédecine, sont très répandues sur les codes vidéo modernes. H.264 (AVC) reste largement déployé, tandis que H.265 (HEVC) offre des économies de débit d'environ 50% à la même qualité.

Stratégies avancées de compression

Les systèmes satellites modernes adoptent de plus en plus des approches intelligentes et adaptatives de la compression, allant au-delà des algorithmes à taille unique.

Contexte-Contexte et Algorithmes adaptatifs

Par exemple, un satellite de surveillance de la couleur de l'océan et du développement urbain peut appliquer différents paramètres de compression aux zones couvertes par le nuage par rapport aux caractéristiques terrestres. Les algorithmes adaptatifs peuvent basculer entre les modes sans perte et les modes de perte en fonction de la capacité de liaison descendante ou de la priorité de données disponibles. NASA .Les études de la Terre ont démontré une compression contextuelle pour les données de sonorisation atmosphérique, atteignant une compression de 3:1 à 6:1 sans perte significative de précision de récupération.

Compression par apprentissage automatique

L'apprentissage profond révolutionne la compression en apprenant des représentations optimales à partir de données. Les auto-encodeurs – réseaux neuronaux qui codent l'entrée à un goulot d'étranglement à faible dimension et le décodent – peuvent obtenir des rapports de compression à la fine pointe de la technologie pour des types de données spécifiques comme les images radar à ouverture synthétique (SAR) ou les nuages de point lidar. Cependant, le déploiement de modèles ML sur du matériel satellitaire est difficile en raison des contraintes de puissance, de mémoire et de rayonnement.

Architectures hybrides sans perte-perte

Par exemple, un satellite pourrait d'abord appliquer une transformation de la vaguelette perdue pour réduire les données d'un facteur de 10, puis exécuter un codeur d'entropie sans perte sur l'erreur résiduelle pour s'assurer que les caractéristiques critiques sont préservées. Cette stratégie hybride est utilisée dans le satellite Landsat 9S Operational Land Imager (OLI), où le flux de données est divisé en couches hautement prioritaires et peu prioritaires, chacune comprimée avec des algorithmes appropriés.

Traitement sur place et compression distribuée

Les progrès dans les réseaux de portes programmables sur le terrain (FPGA) et les systèmes à puce (SoCs) permettent une compression à bord plus sophistiquée. Plutôt que de simplement compresser des données brutes, les satellites modernes peuvent effectuer un prétraitement (comme la détection des nuages, l'extraction de fonctionnalités ou même l'inférence d'IA) et ne transmettre que les résultats pertinents.

Défis de la compression des données satellitaires

Malgré des progrès importants, plusieurs défis fondamentaux persistent.

Erreur Résilience dans les canaux bruyants

Les liaisons satellite sont sujettes à des erreurs de bits provenant de l'atténuation atmosphérique, de l'interférence et du rayonnement cosmique. Un flux de bits comprimé est très sensible aux erreurs; un seul bit retourné peut corrompre un fichier entier d'image ou de télémétrie. Par conséquent, les algorithmes de compression doivent être conçus pour fonctionner avec des codes correcteurs d'erreurs (ECC) ou être intrinsèquement résilients aux erreurs.

Contraintes informatiques et de puissance

Les ordinateurs embarqués ont de graves limites dans la vitesse de traitement, la capacité de mémoire et les budgets de puissance – souvent seulement quelques watts pour l'ensemble de l'unité de traitement des données de charge utile. Les algorithmes complexes comme le codage vidéo ou l'inférence réseau neuronal doivent être mis en œuvre dans un matériel dédié pour répondre aux exigences en temps réel.

Exigences en temps réel et en latence

Certaines applications, comme la cartographie d'urgence par satellite ou le suivi des aéronefs, exigent une faible latence. La compression doit être effectuée à la volée avec un tampon minimal. Des codes vidéo à haute efficacité comme H.265 peuvent introduire des latences en raison de la réorganisation des cadres, nécessitant l'utilisation de paramètres spécifiques au profil.

Normalisation et interopérabilité

Les agences spatiales et les opérateurs commerciaux s'appuient sur des normes pour assurer le partage des données entre stations au sol et centres de traitement. La gamme de recommandations CCSDS prescrit des algorithmes spécifiques pour la compression sans perte de données (121.0-B-2), la compression des données d'image (122.0-B-1) et la compression hyperspectrale des données (123.0-B-1).

Orientations futures et technologies émergentes

La croissance incessante de la résolution des capteurs (imagerie optique sous-métrique, cubes hyperspectraux avec des milliers de bandes) et la prolifération des mégaconstellations sont autant de facteurs qui rendent la compression encore plus efficace.

Apprentissage profond et modèles génériques

Un réseau neuronal convolutionnel (RCN) et des réseaux antagonistes générateurs (RGN) sont à l'étude pour la compression des images de télédétection. Un RNG peut apprendre à reconstruire des images de haute fidélité à partir de représentations très compactes, en obtenant des rapports de compression au-delà de 100:1 pour certains ensembles de données tout en maintenant la qualité perceptuelle. Cependant, ces modèles sont intensifs en calcul et nécessitent du matériel spécialisé.

Compression quantique et traitement photonique

À long terme, le calcul quantique pourrait permettre des approches fondamentalement différentes de la compression – par exemple, en utilisant des transformations quantiques de Fourier pour stocker des ensembles de données massives dans des états quantiques avec des nombres de bits extrêmement faibles. Bien que la compression quantique pratique pour les satellites soit à des décennies de distance, les circuits intégrés photoniques pour le traitement classique (tels que les transformations optiques des ondulateurs) offrent des améliorations à court terme de la vitesse et de l'efficacité énergétique pour la réduction des données embarquées.

Compression intégrée avec Data Analytics

Les futurs satellites peuvent non seulement comprimer les données brutes mais aussi effectuer la compression sémantique : extraire et transmettre uniquement les informations qui satisfont les requêtes des utilisateurs. Par exemple, au lieu d'envoyer une image multispectrale complète, un satellite pourrait exécuter un algorithme de classification à bord et transmettre uniquement les zones étiquetées -wildfire - ou -oil , -plus une vignette basse résolution.

Conclusion

En combinant des techniques sans perte pour les données sensibles à l'intégrité, des méthodes sans perte pour les images et les vidéos à grand volume et des stratégies émergentes à moteur d'apprentissage automatique, les opérateurs de satellites peuvent optimiser l'utilisation de la bande passante, réduire les coûts et accroître le rendement des sciences de la mission. Les normes de la part d'organismes comme le CCSDS constituent une base solide, mais il est essentiel de poursuivre les investissements dans le traitement embarqué et les algorithmes intelligents pour suivre le rythme de l'explosion des volumes de données.