Mapping of Land Use and Land Cover (LULC) using EuroSAT and Transfer Learning
Cet article démontre que l'application de l'apprentissage par transfert et de l'ajustement fin aux bandes RVB du jeu de données EuroSAT permet une cartographie de l'occupation des sols et de l'utilisation des terres hautement précise (99,19 %), offrant ainsi un outil précieux pour la surveillance environnementale, la planification urbaine et l'atténuation du changement climatique.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
La Terre est en constante mutation, remodelée par le glissement lent des forêts, l'expansion soudaine des villes et les changements des modèles agricoles. Pour gérer ces transformations et protéger nos ressources naturelles, les scientifiques ont besoin d'une image claire et précise de ce à quoi ressemble le sol vu d'en haut. Pendant des décennies, cela signifiait envoyer des personnes sur le terrain ou étudier manuellement des photographies, un processus lent et souvent incomplet. Aujourd'hui, des satellites orbitent autour de la planète, capturant chaque jour de vastes quantités d'images numériques. Ces images constituent une archive mondiale massive de notre surface, mais elles sont trop nombreuses pour que des humains puissent les trier une par une. C'est ici que l'intelligence artificielle intervient, plus précisément une branche connue sous le nom de vision par ordinateur, qui enseigne aux machines à reconnaître des motifs et à identifier des objets dans des images, tout comme l'œil humain le ferait. Le défi consiste à entraîner ces machines à distinguer une rivière, une forêt ou un quartier résidentiel avec une grande précision, surtout lorsque les données proviennent de capteurs satellites complexes.
Dans une étude récente, les chercheurs Suman Kunwar et Jannatul Ferdush ont abordé ce défi en testant l'efficacité d'un type moderne d'intelligence artificielle pour classifier l'occupation et la couverture des sols. Ils se sont concentrés sur une collection spécifique d'images satellites appelée EuroSAT, qui contient 27 000 images étiquetées de la surface de la Terre prises par le satellite Sentinel-2. Ces images sont divisées en dix catégories distinctes, allant des cultures annuelles et des forêts aux autoroutes et zones industrielles. Les chercheurs voulaient voir s'ils pouvaient utiliser un modèle puissant et pré-entraîné appelé Vision Transformer, ou ViT, pour apprendre à trier ces images. Ce modèle avait déjà été enseigné pour reconnaître des objets dans des photographies générales, et l'équipe visait à voir s'il pouvait être adapté pour comprendre les textures et les couleurs spécifiques de l'imagerie satellite. Ils ont testé si le fait de fournir au modèle des versions supplémentaires et légèrement modifiées des mêmes images — telles que des copies inversées ou recadrées — aiderait l'apprentissage, une technique connue sous le nom d'augmentation de données.
L'équipe a entraîné son système en utilisant un ensemble spécifique d'instructions et d'outils, exécutant les expériences sur des processeurs informatiques puissants disponibles via une plateforme en ligne. Ils ont comparé les performances du Vision Transformer à celles de deux autres modèles d'intelligence artificielle bien connus, VGG16 et ResNet-50, en utilisant les mêmes données satellites. Les résultats ont montré que le Vision Transformer était le plus précis des trois. Lorsque les chercheurs ont utilisé les images standards sans aucune altération supplémentaire, le modèle a identifié correctement le type de terrain dans 98,61 % des cas de test. Cependant, lorsqu'ils ont introduit la technique d'augmentation de données, la performance du modèle s'est encore améliorée, atteignant une précision de 98,72 %. Dans un test plus détaillé où ils ont entraîné le modèle pendant une période plus longue, la version utilisant l'augmentation de données a atteint une précision remarquable de 99,19 %, tandis que la version sans augmentation a vu sa précision décliner légèrement à mesure que l'entraînement se poursuivait, passant de 98,67 % à 10 époques à 98,41 % à 20 époques. Cela suggère que l'exposition du modèle à une plus grande variété d'angles et de recadrages d'images l'a aidé à mieux se généraliser à de nouvelles données non vues.
Pour prouver que ce haut niveau de précision pouvait être appliqué au monde réel, les chercheurs ont pris leur meilleur modèle et l'ont appliqué à une région spécifique connue sous le nom de Kreis Borken en Allemagne. Ils ont rassemblé des images satellites de cette zone de 2018 à 2020 et les ont décomposées en petits carrés gérables. Le modèle a ensuite examiné chaque carré et lui a assigné une étiquette, telle que forêt, pâturage ou zone résidentielle. Le résultat final est une carte colorée qui représente visuellement la distribution des différents types de terrains à travers la région. L'analyse de la carte a révélé que le modèle était particulièrement efficace pour identifier les forêts et les plans d'eau, tandis qu'il a trouvé la catégorie « pâturage » légèrement plus difficile à distinguer, enregistrant la précision la plus basse parmi toutes les classes, bien que les catégories restantes aient atteint près de 99 % de précision.
L'étude conclut que l'utilisation de l'apprentissage par transfert, où un modèle entraîné pour une tâche est adapté à une autre, est un moyen très efficace de cartographier l'occupation des sols. Les chercheurs ont constaté que l'ajout de l'augmentation de données non seulement améliorait la précision de la classification, mais aidait également le modèle à éviter le surapprentissage, un problème courant où un ordinateur mémorise trop étroitement les données d'entraînement et échoue à reconnaître de nouveaux motifs. En combinant ces techniques, l'équipe a démontré qu'il est possible de créer des cartes détaillées et automatisées de la surface de la Terre avec une précision quasi parfaite. Ces conclusions suggèrent que de tels outils peuvent être précieux pour les urbanistes et les environnementalistes qui doivent surveiller les changements d'occupation des sols, planifier la croissance future et protéger les habitats naturels sans dépendre uniquement de l'observation manuelle.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.