Cartographier le bâti métropolitain par télédétection

Cartographier l’activité humaine

Les données spatialisées permettant la cartographie de l’impact de l’activité humaine sur son environnement alimentent de nombreuses applications environnementales et délivrent une information cruciale aux gestionnaires. La consommation des espaces artificialisés et urbanisés en particulier mobilise activement la recherche scientifique au travers de nombreux projets faisant intervenir de multiples partenaires publics et privés. Par exemple, dans le projet Artisols, l’équipe INRAE de l’UMR TETIS s’emploie, en s’appuyant sur l’imagerie satellitaire, à suivre l’artificialisation en Occitanie et mesurer son impact en termes de consommation de terres présentant un potentiel agronomique. Dans un autre projet, le TOSCA AIMCEE financé par le CNES, et au sein du Centre d’Expertise Scientifique (CES) Theia Urbain, cette même équipe développe une méthode pour cartographier les bâtiments en France métropolitaine. Ces deux projets partagent le même besoin d’une cartographie par apprentissage machine sur des images satellitaires à la résolution spatiale la plus élevée possible.

L’extrême disponibilité de données

Aujourd’hui, nous disposons d’un volume de données d’observation de la terre jamais atteint ; des capteurs toujours plus nombreux délivrent des images de plus en plus résolues et à des pas de temps de plus en plus proche. Cependant, traiter efficacement ces gros volumes d’imagerie satellitaire présente un défi pour les scientifiques et les ingénieurs. L’apprentissage machine désigne un ensemble de techniques permettant d’entraîner des algorithmes à partir de données. Or nous disposons, en plus des images satellitaires, d’une quantité incroyable de données géographiques comme celles issues des politiques d’ouverture des données ou des systèmes participatifs de collecte. Typiquement, l’apprentissage machine permet d’entraîner des algorithmes à classifier des images satellitaires à partir de ces données. Par exemple, on peut construire un arbre de décision permettant de distinguer des classes d’occupation du sol sur des images Sentinel-2 à l’aide de données OpenStreetMap. Ces dernières années, l’apprentissage machine a été marqué par l’émergence de l’apprentissage profond (deep learning), qui a fortement impacté de nombreux domaines en analyse de très grands volumes de données, redéfinissant l’état de l’art. Grâce à l’apprentissage profond et aux données géospatiales disponibles, le domaine de l’observation de la terre entre dans une ère nouvelle.

L’apprentissage profond au service de la télédétection

L’équipe de l’UMR TETIS a entraîné des réseaux de neurones convolutionnels profonds à cartographier les structures humaines, à partir des images Spot-6 et Spot-7 délivrées par Theia via Geosud/Dinamis. Ces images ont une résolution spatiale de 1,5 m, ce qui suffit à cartographier les bâtiments, même les plus petits. Dans le cadre du CES Theia Urbain, un unique réseau de neurones artificiels a été entraîné à partir de milliers d’images Spot-6 et Spot-7 acquises de 2015 à 2019 et des bases de données nationales de l’IGN. Ce réseau, pour l’instant à l’état de prototype, est capable d’extraire automatiquement les bâtiments dans les images Spot. Les premières cartes générées à 1,5 m à l’échelle nationale à partir des couvertures Spot Geosud entre 2015 et 2019 sont disponibles publiquement.

Ces résultats préliminaires sont en cours d’évaluation au sein du CES, et vont permettre à l’équipe de qualifier et d’affiner le produit final. Les premières analysent présentent un F-Score d’environ 73 % sur la classe « bâti ».

Grâce aux nouvelles méthodes de traitement de l’information, aux architectures matérielles adaptées, aux logiciels open source spécialisés, et à l’immense disponibilité des données, comme par exemple les images satellitaires et in-situ fournies par le pôle Theia, les applications de télédétection fondées sur l’apprentissage machine ont de belles années devant elles.

Rémi Cresson
INRAE | Tetis
@R.Cresson
Contributions