Les satellites génèrent aujourd'hui un volume extraordinaire de données à chaque seconde, allant de l'imagerie multispectrale à haute résolution et des radars à ouverture synthétique (SAR) aux lectures hyperspectrales, à la télémétrie et aux signaux de communication. À mesure que les constellations d'observation de la Terre se développent et que les missions dans l'espace profond s'étendent, le défi de stocker et de transmettre ce torrent d'informations devient de plus en plus aigu.

Pourquoi la compression des données est importante dans les opérations par satellite

Les contraintes des systèmes spatiaux rendent la compression essentielle. La bande passante descendante des satellites à basse orbite terrestre (LEO) est généralement limitée à quelques centaines de mégabits par seconde au mieux, tandis que les satellites géostationnaires peuvent avoir encore moins. Un seul satellite d'observation de la Terre peut produire des dizaines de téraoctets d'imagerie brute par jour. Sans compression, seule une petite fraction de ces données pourrait être transmise, laissant une précieuse intelligence scientifique inutilisée. La compression réduit le volume des données par des facteurs de 2 à 50 ou plus, selon l'algorithme et la distorsion autorisée.

Au-delà de la bande passante, la compression réduit la consommation d'énergie car les temps de transmission plus courts réduisent l'énergie tirée des batteries embarquées. Elle réduit également les besoins de stockage sur le satellite et au sol, ce qui réduit les coûts matériels. Pour les missions dans l'espace profond comme les sondes Mars ou interstellaires, où les débits peuvent être aussi bas que quelques kilobits par seconde, la compression est littéralement la différence entre recevoir des données scientifiques utilisables et rien du tout.

Types de techniques de compression des données

Les méthodes de compression des données satellitaires se divisent en deux grandes catégories, chacune adaptée à différents types de données et à des priorités de mission.

Compression sans perte

Les algorithmes sans perte réduisent la taille des fichiers sans jeter d'informations. Chaque bit original peut être parfaitement reconstruit après la décompression. Ces méthodes sont obligatoires pour les données où les erreurs sont inacceptables, telles que les mesures scientifiques, la télémétrie de commande et la surveillance de la santé des sous-systèmes satellites.

  • Huffman Codage: Assigne des codes plus courts à des symboles plus fréquents, réalisant une compression entropie presque optimale.
  • Lempel-Ziv-Welch (LZW): Méthode basée sur un dictionnaire qui construit une table de motifs récurrents; utilisée dans GIF et TIFF.
  • Encodage de longueur de run (RLE): Efficace pour les données comportant de longues séquences de valeurs identiques, telles que des flux binaires de télémétrie.
  • Codage arithmétique: Encode les messages entiers en un seul nombre fractionnel, souvent surperformant Huffman pour les petits ensembles de symboles.
  • DEFLATE: Combine la fenêtre coulissante LZ77 avec le codage Huffman; standard en gzip et PNG.

Les rapports sans perte pour les données satellitaires varient généralement de 1,5:1 à 3:1, selon l'entropie. Pour les lectures brutes de capteurs avec une variabilité modeste, ces méthodes offrent une première ligne de compression fiable. Le CCSDS (Comité consultatif pour les systèmes de données spatiales) a normalisé plusieurs algorithmes sans perte pour l'utilisation de l'espace, y compris le CCSDS 121.1-B-3, qui offre de bonnes performances sur les données de télémétrie entière.

Compression par perte

Les algorithmes de perte permettent d'obtenir des rapports de compression beaucoup plus élevés en jetant des données jugées moins importantes, souvent basées sur la perception humaine ou les tolérances d'analyse.

  • JPEG (Discrete Cosine Transform): Divise les images en blocs de 8x8 pixels, se transforme en domaine de fréquence et quantifie les coefficients pour enlever les détails de haute fréquence. Les ratios de 10:1 à 20:1 sont typiques avec peu de perte visible.
  • JPEG 2000 (Wavelet Transform)[: Utilise la décomposition des ondulateurs, offrant une meilleure qualité à des rapports de compression plus élevés (20:1 à 50:1) et permettant une transmission progressive.
  • MPEG-4 / H.264: Codecs vidéo standard qui exploitent la redondance temporelle, utilisés pour les flux vidéo par satellite.
  • Quantification des vecteurs: Groupe les pixels en blocs et les remplace par des mots de code à partir d'un code de classe prédéfini, efficace pour certaines données hyperspectrales.

La compression perdue doit être soigneusement ajustée pour préserver les caractéristiques critiques de la mission. Par exemple, dans le cadre de la surveillance agricole, les artefacts de compression peuvent masquer des changements subtils de réflectance qui indiquent une contrainte de culture. Par conséquent, la qualité de l'image est souvent évaluée à l'aide de mesures comme le rapport pic signal-bruit (PSNR) ou l'indice de similitude structurelle (SSIM).

Algorithmes de compression avancés pour satellites

Les systèmes satellites modernes reposent de plus en plus sur des algorithmes hybrides et adaptatifs qui combinent des composants sans perte et des composants perdants ou qui tirent parti de l'apprentissage des machines.

Transformer les vagues et les normes CCSDS

Contrairement à la DCT basée sur des blocs, les vagues capturent des détails d'image à plusieurs échelles, évitant ainsi de bloquer des objets. La recommandation CCSDS 122.1-B-1 définit une transformation tridimensionnelle des vagues pour les images multispectrales et hyperspectrales, exploitant des corrélations spatiales et spectrales. Cette méthode permet d'atteindre d'excellents rapports de compression – souvent supérieurs à 4:1 sans perte et à 20:1 sans perte – tout en maintenant l'efficacité du codage arithmétique.

Codage prédictif et différentiel

Pour les données de séries chronologiques, comme les relevés de température, la télémétrie de puissance ou les retours radar, les modèles de codage prédictif, le signal et ne stockent que les différences entre les valeurs prévues et réelles. Les filtres de prédiction linéaire (p. ex. de l'ordre 2-4) fonctionnent bien pour des tendances lisses. Les filtres Kalman plus avancés peuvent également être intégrés à bord. La modulation différentielle du code d'impulsion (DPCM) est un exemple classique.

Apprentissage automatique et compression par l'IA

Les auto-encodeurs convolutionnels (CAE) peuvent apprendre des représentations compactes latentes d'images, puis les reconstruire avec une grande fidélité. Les réseaux antagonistes (GAN) et les modèles de diffusion sont explorés pour une qualité perceptuelle encore meilleure. Les codecs neuraux basés sur des réseaux comme Zarr[ et C3D ont montré des promesses pour les cubes hyperspectraux. Ces modèles peuvent être formés hors ligne sur des ensembles de données représentatifs puis déployés sur des processeurs embarqués – bien que le coût de calcul demeure un défi.

Compression à bord et au sol : compromis

Une décision critique de conception est la quantité de traitement de compression à bord du satellite par rapport à la liaison descendante au sol. Chaque approche présente des avantages et des limites distincts.

Compression à bord

La compression sur le satellite réduit considérablement le volume de données à transmettre. Cela permet d'économiser la bande passante et la puissance, permettant de réduire davantage de données dans la même fenêtre de temps. La compression à bord est essentielle pour les missions à faible taux de descente ou à grands volumes de données, comme les satellites hyperspectraux. Cependant, elle nécessite des processeurs à haute résistance aux radiations avec des ressources informatiques, de la mémoire et de l'énergie limitées.

La compression sans perte à bord est courante pour la télémétrie car elle n'entraîne aucun risque de données. La compression sans perte pour l'imagerie est appliquée avec plus de prudence; les opérateurs doivent faire confiance que la perte de qualité ne nuit pas à l'analyse scientifique.

Compression au sol

La compression au sol permet d'utiliser des algorithmes plus puissants, y compris des modèles d'apprentissage automatique trop lourds pour l'espace. Les données brutes sont transmises avec une compression minimale (souvent juste correction d'erreur), et la compression à haut rapport est appliquée après réception. Cela réduit la complexité à bord et élimine le risque de perdre des données en raison des objets de compression. L'inconvénient est qu'elle n'allége pas les contraintes de bande passante en aval.

Défis de la compression des données satellitaires

Malgré des décennies de progrès, plusieurs défis persistants limitent la performance et la fiabilité des systèmes de compression par satellite.

Bande passante et contraintes de latence

La limite la plus fondamentale est le budget de descente. Même avec la compression, de nombreuses missions produisent plus de données que ne peut être envoyé. Les fenêtres de contact (temps où un satellite peut communiquer avec une station au sol) sont courtes – souvent seulement 5-15 minutes par passe. La compression doit être assez rapide pour suivre le rythme des données des instruments, qui peut dépasser 1 Gbps pour certains capteurs.

Effets des rayonnements et résilience aux erreurs

Les algorithmes de compression qui dépendent de l'état (p. ex., les méthodes de dictionnaire) sont vulnérables aux erreurs : un seul bit retourné peut corrompre de grandes parties des données. Par conséquent, les schémas de compression doivent être conçus pour la résilience des erreurs. Le CCSDS recommande une transmission basée sur le paquet avec des contrôles d'intégrité et de segmentation afin qu'une erreur dans un paquet n'affecte pas les autres. De nombreuses méthodes de perte tolèrent également gracieusement la corruption mineure car ils approximent les données originales de toute façon.

Exigences de compression en temps réel

Certaines applications, comme la vidéo en temps réel à partir de drones ou de satellites de surveillance, nécessitent une compression pour se terminer en microsecondes. Cela force l'utilisation d'algorithmes à taux fixe et à faible complexité. Par exemple, le profil de baseline de H.264S peut fonctionner sur du matériel dédié, mais les modes de débit variable sont moins prévisibles. Spacecraft utilise souvent une compression à débit constant pour correspondre à des schémas de modulation de liaison descendante.

Compatibilité avec les systèmes au sol

Les normes CCSDS existent précisément pour unifier les choix de format et d'algorithme. Néanmoins, les missions développent parfois une compression personnalisée pour répondre à des besoins uniques, nécessitant un logiciel de décompression sur mesure sur le terrain. Cela augmente la complexité et les coûts opérationnels. Une tendance vers des codecs ouverts et largement pris en charge (p. ex. JPEG 2000, HEVC, AV1) améliore la compatibilité.

Orientations futures

Le domaine de la compression des données satellitaires évolue rapidement, grâce aux progrès de l'informatique, des communications et de l'apprentissage automatique.

Compression des données quantiques

La théorie de l'information quantique offre la possibilité de compression au-delà des limites classiques de Shannon pour certaines sources. Les algorithmes quantiques pourraient exploiter l'enchevêtrement pour représenter les données plus efficacement. Bien que les théories pour les systèmes satellitaires pratiques, les premières expériences avec compression quantique montrent un potentiel de gains exponentiels.

Informatique de bord et IA embarquée

On peut effectuer à bord des systèmes de compression adaptative qui analysent le contenu en temps réel (par exemple, classant une scène comme --cloudy , vs -----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Compression adaptative et logicielle du contenu

Les futurs algorithmes vont changer dynamiquement entre les modes sans perte et les modes de perte en fonction du type de données et de la bande passante disponible. Par exemple, un satellite pourrait comprimer la télémétrie sans perte mais compresser des images hautement prioritaires avec un seuil de qualité qui garantit la facilité d'analyse.

Intégration avec 5G/6G et communications laser

La prochaine génération de réseaux de communication par satellite, y compris les constellations massives de LEO et les liaisons optiques intersatellites (ISL), changera le paysage de compression. Avec des taux de données plus élevés (jusqu'à Gbps par liaison), la compression pourrait devenir moins sur la bande passante brute et plus sur le filtrage intelligent des données redondantes. Cependant, les liaisons optiques sont vulnérables aux nuages et aux turbulences atmosphériques, de sorte que la compression va encore tamponner les données pour la retransmission.

Conclusion

La compression des données reste une technologie indispensable pour les opérations par satellite, permettant la livraison de vastes données scientifiques et commerciales dans des limites strictes.Du codage classique Huffman aux autoencodeurs neuronaux de pointe, les techniques ont évolué pour équilibrer le rapport de compression, la qualité, la vitesse et la fiabilité. Le choix entre les méthodes sans perte et les méthodes sans perte dépend de la finalité des données et de la tolérance de la mission. La compression à bord permet d'économiser la bande passante mais de réduire les processeurs de qualité spatiale; la compression au sol préserve la flexibilité mais ne permet pas de réduire les goulots d'étranglement.

Pour plus de détails, explorez les CCSDS Blue Books sur la compression d'images et de données, les ressources de compression de données satellitaires de l'ESA, et les dernières recherches sur la compression d'images satellitaires à base de LM.