L’IA retrace l’empreinte humaine sur notre planète
Les données d’observation de la Terre fournissent des informations sur sa surface, son atmosphère et ses océans. Elles sont généralement recueillies à partir de différentes sources et plateformes utilisant des technologies de télédétection, telles que les satellites, les aéronefs, les drones et les capteurs au sol. Les données d’observation de la Terre jouent un rôle crucial dans la compréhension et la surveillance de l’environnement terrestre, des conditions météorologiques, du changement climatique et de l’utilisation des sols. Il est indispensable de disposer de mesures plus précises des indicateurs environnementaux, notamment de l’utilisation et de l’occupation des sols, pour réaliser les objectifs de développement durable (ODD) des Nations unies et créer à un avenir meilleur et durable pour tous. La résolution spatiale et la fréquence temporelle de ces mesures sont essentielles pour détecter les changements et obtenir une image complète des activités qui modifient la surface terrestre, telles que l’expansion urbaine et la déforestation.
Recourir à l’IA pour cartographier l’occupation et l’utilisation des sols
Afin d’améliorer les processus de surveillance et de comprendre l’impact humain sur notre planète, le projet RapidAI4EO, financé par l’UE, a combiné la télédétection et les progrès de l’IA. Son objectif était d’automatiser le processus de cartographie des mises à jour de l’occupation des sols afin de recueillir des informations en temps utile et de contribuer ainsi à une gestion efficace de l’environnement et à sa durabilité. «Notre objectif consistait à fournir des solutions d’observation et de cartographie en continu pour mieux se préparer et faire face aux conséquences potentielles des activités humaines sur la planète et son climat», déclare la coordinatrice technique Annett Wania de Planet Labs. Pour pouvoir détecter rapidement les changements, les modèles d’IA doivent être entraînés à l’aide de séquences d’images prises fréquemment et à partir de différents capteurs. Étant donné qu’il n’existe pas d’ensembles de données répondant à toutes ces exigences, le consortium RapidAI4EO a développé le corpus RapidAI4EO, un ensemble de données d’entraînement contenant des images satellite couvrant environ un demi-million de lieux répartis dans toute l’Europe.
Une nouvelle source détaillée d’imagerie terrestre
Les images utilisées pour créer le corpus RapidAI4EO sont publiques et proviennent de la constellation Sentinel-2 de Copernicus et du produit d’imagerie commercial Planet Fusion. Le corpus RapidAI4EO d’images satellites temporelles denses constitue le principal résultat du projet et est accessible à l’ensemble de la communauté de la télédétection sur Source Cooperative, le nouvel outil de publication de données basé sur le nuage de Radiant Earth. Cet ensemble de données d’imagerie détaillées fournit des informations sans précédent sur les caractéristiques spatiales et temporelles de l’utilisation et de l’occupation des sols sur le continent. Qui plus est, il s’agit d’une ressource inestimable pour la formation d’algorithmes d’apprentissage automatique et d’apprentissage profond, qui permet de réaliser le plein potentiel des sources de données combinées. Grâce à son imagerie multimodale et multirésolution, à son échantillonnage géographiquement diversifié et à ses séries temporelles denses, le corpus RapidAI4EO constitue un meilleur choix pour les tâches d’observation de la Terre. Il a permis aux scientifiques de développer des solutions destinées à cartographier l’occupation des sols et à détecter les changements qui dépassent de 10 à 20 fois la résolution spatiale de l’inventaire CORINE Land Cover, et il fournit des mises à jour trimestrielles.
Vers des solutions de cartographie des terres plus intégrées
Dans l’ensemble, le projet RapidAI4EO a enregistré des progrès notables dans les méthodes et les prototypes de surveillance des terres, en tirant parti des dernières tendances de l’apprentissage automatique et du flux de données provenant de plusieurs constellations de satellites. Les méthodes et les prototypes mis au point dans le cadre du projet RapidAI4EO constituent des éléments fondamentaux qui peuvent être combinés et intégrés afin de créer des solutions cartographiques plus efficaces, améliorées et évolutives destinées à répondre aux différents besoins et exigences des utilisateurs. «En exploitant les points forts de chaque méthode et en capitalisant sur leurs capacités complémentaires, il est possible de développer un système complet et fiable de surveillance des terres qui offre une précision, une rapidité et une évolutivité accrues», souligne Annett Wania. La mise à disposition de capacités d’observation et de cartographie en continu revêt un potentiel énorme pour aider à comprendre t à affronter les conséquences potentielles des activités humaines sur la Terre et son climat.
Mots‑clés
RapidAI4EO, données d’observation de la Terre, imagerie satellite, utilisation des sols, occupation des sols, détection des changements, IA, apprentissage automatique, apprentissage profond
