Deep Learning methods for detecting and characterizing geostationary satellites from spectro-spatial images

L’environnement spatial terrestre n’est plus un domaine vide, mais un environnement congestionné et hautement dynamique. Les grandes constellations densifient à la fois les ceintures orbitales et le spectre radio, entraînant des émissions qui se chevauchent, des reconfigurations rapides de charges utiles et une proximité accrue entre satellites. Dans ce contexte, cette thèse aborde un défi central de la connaissance de la situation spatiale et spectrale : détecter et extraire l’empreinte radiofréquence (RF) des satellites en orbite géostationnaire (GEO) à partir de mesures RF spectro-spatiales passives.Ce travail est motivé par les limitations de WeTrack, développé par Safran Data Systems (SDS), qui permet un suivi précis des positions et paramètres orbitaux des satellites mais requiert, pour amorcer la première mesure, une fenêtre fréquentielle et une position initiale du satellite, des informations généralement ajustées manuellement ou issues de catalogues publics. Afin d’alléger cette dépendance, SDS a développé le système WatchTower, qui génère des images spectro-spatiales de l'ensemble de l'orbite géostationnaire.Cependant, exploiter de manière robuste les images spectro-spatiales de WatchTower implique d’analyser des scènes massives et ambiguës. Cette thèse explore plusieurs pistes de recherche guidées par une idée centrale : tirer parti de la physique intrinsèque des données pour informer les algorithmes d’apprentissage machine. Étant donné la rareté des annotations et la disponibilité limitée de vérité terrain, en particulier pour l’activité spectrale, les approches purement fondées sur les données se révèlent insuffisantes. En intégrant des modèles physiques dans la boucle d’apprentissage, nous développons des méthodes efficaces qui améliorent la robustesse, la généralisation et l’interprétabilité tout au long du manuscrit.