Skip to main content

Statistical Learning for Earth Observation Data Analysis.

Article Category

Article available in the folowing languages:

De nouvelles méthodes d’apprentissage statistique pour mieux analyser les données des satellites d’observation de la Terre

Au cours de la dernière décennie, les modèles d’apprentissage automatique ont permis de surveiller les terres, les océans et l’atmosphère en analysant et en estimant des paramètres climatiques et biophysiques tels que la température et l’humidité. L’absence d’un cadre mathématique unifié exige toutefois des progrès en matière de méthodes de traitement des données d’observation de la Terre (OT).

Économie numérique
Changement climatique et Environnement

«Les approches actuelles ne sont pas en mesure de gérer efficacement les caractéristiques particulières des données de télédétection», déclare Gustau Camps-Valls, coordinateur du projet SEDAL, financé par l’UE, et professeur en génie électrique à l’université de Valence. «Ce problème s’amplifie avec les services Copernicus Sentinel opérationnels et, pour parvenir à surveiller les changements rapides qui sont déjà en train de se produire sur Terre, nous nous trouvons désormais face à un besoin urgent de traiter et de comprendre d’énormes quantités de données structurées complexes et hétérogènes provenant de multiples sources.»

Des algorithmes et des méthodes pour améliorer la modélisation et la compréhension des systèmes terrestres

Dans son ensemble, SEDAL cherche à introduire la prochaine génération de méthodes d’inférence automatiques pour l’analyse des données OT. Il développera des méthodes de régression avancées pour améliorer l’efficacité et la précision des prévisions, quantifier correctement les incertitudes, coder les connaissances physiques relatives au problème considéré et obtenir des modèles auto-explicatifs tirés de données empiriques. «Toutefois, il ne suffit pas d’avoir de meilleurs modèles de prévision: nous devons identifier les relations de cause à effet à partir des données OT afin de pouvoir comparer les modèles actuels aux observations ou de tester les hypothèses», explique Gustau Camps-Valls. «Il s’agit d’un domaine passionnant et qui en est encore à ses débuts, mais, avec de nouvelles méthodes et en faisant jouer quelques hypothèses de base, nous pouvons écarter les fausses corrélations et apprendre comment le système fonctionne réellement et comment il finit par se modifier.» À ce jour, l’équipe SEDAL a développé de nombreux nouveaux algorithmes qui intègrent des connaissances préalables et qui sont conformes aux lois les plus fondamentales de la physique. Ces modèles améliorent les prévisions de rendement des cultures, surveillent l’état de la végétation, de l’atmosphère et des masses d’eau, et permettent de mieux détecter et caractériser les changements et les anomalies découlant, par exemple, de perturbations telles que les vagues de chaleur et les sécheresses. Les modèles peuvent désormais fusionner les informations provenant de différents capteurs et les mettre à l’échelle des scénarios actuels de mégadonnées. «Découvrir les liens de causalité à partir de données purement OT est un objectif plus difficile et ambitieux pour lequel nous avons développé des algorithmes nous permettant de détecter des relations de cause à effet», poursuit Gustau Camps-Valls.

Des produits d’observation pour tout le monde

Plusieurs organisations, entreprises et utilisateurs ont manifesté leur intérêt pour les outils développés par SEDAL. L’université de Valence a établi des liens étroits avec l’Agence spatiale européenne et l’Organisation européenne pour l’exploitation de satellites météorologiques afin de profiter au maximum des concepts et des outils de SEDAL pour améliorer la surveillance du globe. L’université a également mis en œuvre plusieurs méthodes sur la plateforme Google Cloud pour parvenir à une amélioration efficace des modèles. «Une communauté beaucoup plus large, allant des agences météorologiques et géographiques aux organisations non gouvernementales, va bénéficier de ces développements», ajoute Gustau Camps-Valls. «Cette communauté est en train d’exploiter et d’adopter des estimations nettement plus précises des variables climatiques essentielles telles que la température, la teneur en chlorophylle ou l’humidité du sol, des estimations plus crédibles des incertitudes et des erreurs, ainsi que des modèles d’apprentissage automatique plus descriptifs.» «Dans sa vision à long terme, SEDAL entend ouvrir de nouveaux horizons et inciter la recherche à se tourner vers des algorithmes capables de produire des connaissances à partir des données OT, ce qui constituera un tremplin pour l’objectif suivant, plus ambitieux encore, visant à établir des raisonnements automatiques sur le changement climatique d’origine anthropique», conclut Gustau Camps-Valls.

Mots‑clés

SEDAL, OT, climat, données OT, algorithmes, observation de la Terre, modèles d’apprentissage automatique, télédétection

Découvrir d’autres articles du même domaine d’application