Action MACLEAN (2019-2022)
MAChine LEarning for EArth observatioN
Responsables
- Ienco Dino, TETIS, INS2i
- Corpetti Thomas, LETG, INEE
- Sébastien Lefèvre, IRISA, INS2i
Thématiques
observation de la terre, environnement, suivi de l’occupation et de l’usage des sols, analyse du milieu urbain, analyse des milieux naturels.
Données concernées
Télédétection à haute et très haute résolution, séries temporelles d’images satellitaires radar/optique (i.e. Sentinel-2/Sentinel-1), imagerie LiDAR, imagerie hyperspectrale, données INSITU pour la calibration des modèles
Mots clés
observation de la Terre, apprentissage automatique, apprentissage profond deep learning, fusion de données multi-capteurs, analyse d’image, analyse de séries temporelles
Contexte et positionnement scientifique
Avec le nombre croissant d’images et de données satellitaires disponibles associé à une augmentation des fréquences d’acquisition, l’interprétation automatique des données de télédétection pour l’observation de la Terre est un domaine très actif. Les capteurs sont aujourd’hui capables d’offrir des images à (très) haute résolution avec des fréquences d’acquisition jamais atteintes. Du fait de cette révolution technologique, il est de plus en plus difficile de concevoir des méthodes capables de traiter efficacement ces données et de tirer partie des complémentarités des différentes sources de données (i.e. multi-modalités). Aujourd’hui, nous pouvons avoir plusieurs observations, issues de différents capteurs, qui décrivent la même zone géographique au même moment. Par exemple, pour une même zone d’étude il est possible de disposer de l’imagerie optique à différentes résolutions (i.e. Sentinel-2 à 10m, Spot-6/7 à 1.5m), de l’information radar (i.e. Sentinel-1), de l’information 2.5D (i.e. Modèle Numérique de Surface) ainsi 3D sous forme de nuages de points (i.e. LiDAR, reconstruction stéréo) ou encore de l’information très résolue au niveau spectral (i.e. imagerie hyperspectrale). Bien que des techniques avancées existent pour traiter chaque source de données, la combinaison de ces sources afin d’exploiter efficacement leur complémentarité pour des tâches spécifiques (i.e. estimation du rendement, occupation du sol, urbanisation, détection du parcellaire, surveillances des forêts, etc..) représente encore un verrou majeur dans la communauté de la télédétection et de l’observation de la Terre.
Un autre verrou émergent dans le domaine de la télédétection est lié à l’exploitation de séries temporelles d’image satellitaires (STIS). Les STIS représentent un ensemble d’acquisitions temporellement successives d’imagerie satellitaire sur une même zone. Ce type d’information nous permet de suivre, tout au long du temps, des territoires pour en comprendre leur évolution. Les STIS peuvent être utilisées pour distinguer différents types d’occupation du sol (i.e. différent type de cultures) à partir de leur profil temporel ou encore d’analyser le changement de dynamique sur une zone observée. La problématique de l’analyse des séries temporelles est encore ouverte aujourd’hui car l’accès à des STIS possédant une échelle spatiale suffisamment fine pour étudier ces phénomènes n’est que récent.
Dans ce contexte, les méthodes modernes d’apprentissage automatique (i.e. apprentissage profond, adaptation de domaine, approche semi-supervisée, analyse de séries temporelles, apprentissage actif) peuvent jouer un rôle fondamental mais, malheureusement, la communauté des science de l’environnement et télédétection et la communauté en analyse de données n’arrivent pas encore à se structurer autour de ces problématiques du fait d’un manque de connaissances réciproque.
Enfin, les données de télédétection sont utiles pour analyser / comprendre / modéliser de nombreux phénomènes physiques (évolution de cultures, aide à la conception de modèles de diffusion de la pollution en milieu urbain, compréhension des phénomènes d’îlots de chaleur par exemple). Dans ce type d’application, elles constituent souvent une donnée complémentaire à d’autres capteurs (locaux notamment). En plus des questions de fusion mentionnées plus haut, le problème de la “cohérence physique” des méthodes développées est à soulever. En effet, lorsqu’on s’intéresse à la modélisation de phénomènes physiques par réseaux de neurones, il est possible de contraindre la solution (et donc l’optimisation du réseau) à respecter certains principes physiques. Une communauté plutôt orientée “modèles physiques” existe déjà à ce sujet (action MANU –méthodes mathématiques et numériques– du programme LEFE –Les enveloppes fluides et l’environnement– du CNRS par exemple) et dans cette action cette question appliquée aux donnée de télédétection sera soulevée et fera le pont entre ces deux communautés.