BD-SAT: High-resolution Land Use Land Cover Dataset & Benchmark Results for Developing Division: Dhaka, BD

Imaginez que vous essayiez d'apprendre à un robot à reconnaître le monde qui l'entoure, mais au lieu de lui montrer un million de photos de chats et de chiens, vous lui montrez des images satellites de la Terre. C'est le monde de la Télédétection et du Deep Learning (apprentissage profond). Considérez le Deep Learning comme un étudiant super intelligent qui apprend en observant des milliers d'exemples jusqu'à ce qu'il comprenie les règles par lui-même. Dans ce cas, l'étudiant essaie d'apprendre l'Occupation et la Couverture des Sols (LULC). C'est juste une façon sophistiquée de demander : « Est-ce que cette parcelle de terre est une forêt, une ferme, une ville ou un lac ? »

Pourquoi cela importe-t-il ? Parce que notre planète change rapidement. Dans les pays en développement, les villes croissent comme des mauvaises herbes et les forêts rétrécissent. Pour comprendre ces changements, suivre la pauvreté ou planifier l'endroit où construire une nouvelle route, nous avons besoin d'une carte qui nous dise exactement à quoi ressemble le sol, pixel par pixel. Mais voici le hic : l'étudiant-robot a besoin d'un manuel pour étudier. Dans les pays riches, nous avons beaucoup de manuels (jeux de données) avec des réponses parfaites. Dans les pays en développement, ces manuels sont souvent manquants, flous ou écrits dans une langue que le robot ne comprend pas. Sans de bonnes données, le robot s'embrouille et fait des erreurs, comme prendre un fleuve boueux pour un champ agricole.

Cet article présente un tout nouveau manuel extrêmement détaillé appelé BD-SAT, spécifiquement conçu pour la division de Dhaka, au Bangladesh. Les auteurs, une équipe de l'Independent University Bangladesh, ont réalisé que les cartes existantes étaient trop floues ou trop simples pour apprendre à un robot comment voir la réalité désordonnée, bondée et magnifique d'une ville en développement. Ils ont passé des mois à créer une carte de « vérité terrain » — un corrigé parfait — en examinant des images satellites à haute résolution provenant de Bing, qui agissent comme une gigantesque photographie aérienne zoomée. Ils ont ensuite utilisé cette carte parfaite pour entraîner un modèle d'IA puissant appelé DeepLabV3+ afin de voir s'il pouvait apprendre à identifier cinq choses principales : les forêts, les terres agricoles, les zones bâties (villes et villages), l'eau et les prairies.

Les chercheurs ne se sont pas contentés de créer la carte ; ils ont soumis le robot à une véritable école de la vie. Ils ont testé le modèle en utilisant deux types de « manuels » très différents. Premièrement, ils ont utilisé Sentinel-2A, un satellite gratuit qui prend des photos tous les quelques jours mais depuis une altitude très élevée, ce qui rend les images un peu floues (environ 10 à 20 mètres par pixel). C'est comme essayer de lire un livre depuis le fond d'une grande salle de classe. Deuxièmement, ils ont utilisé des images satellites Bing, qui sont incroyablement nettes (2,22 mètres par pixel), comme si l'on lisait le même livre juste sous une lampe brillante. Ils ont également essayé d'intégrer des « filtres » spéciaux (comme la lumière infrarouge) pour voir si cela aidait le robot à mieux voir, de la même manière que des lunettes de vision nocturne nous aident à voir dans l'obscurité.

Les résultats ont été clairs et décisifs. Lorsque le robot étudiait les images floues de Sentinel-2A, il faisait un travail correct, mais il se trompait souvent. Par exemple, il avait du mal à faire la différence entre une prairie verte et un champ agricole vert, ou entre un fleuve boueux et une étendue d'eau. La meilleure combinaison d'images floues qu'il ait trouvée était un mélange spécial d'infrarouge et de lumière à ondes courtes (appelé SWI), ce qui l'aidait à mieux percevoir la végétation et l'eau qu'avec les couleurs standards. Cependant, lorsque le robot a eu la chance d'étudier les images haute résolution et nettes de Bing, il est devenu un étudiant brillant. Il identifiait correctement les forêts, les villes et l'eau avec une précision bien plus élevée. Les images à haute résolution permettaient au modèle de voir les détails minuscules — comme la texture d'un toit ou le bord d'une rivière — qui étaient complètement perdus dans les images floues.

L'article soutient explicitement l'idée qu'on ne peut pas simplement utiliser les mêmes données des pays riches pour entraîner les robots destinés aux pays pauvres. Les auteurs démontrent que la réalité « désordonnée » des nations en développement — où les maisons, les fermes et les rivières sont souvent mélangées sans lignes claires — nécessite une approche différente et plus détaillée. Ils écartent également l'idée que les données satellites standards à basse résolution soient suffisantes pour des tâches de haute précision. Bien que les données gratuites de Sentinel-2 soient utiles pour les tendances générales, l'article suggère que pour un travail détaillé, comme la surveillance de l'étalement urbain ou des changements de cultures spécifiques, il faut réellement les vues nettes et à haute résolution fournies par des services comme Bing ou Google, même si elles ne sont pas mises à jour aussi fréquemment.

Enfin, les auteurs suggèrent une stratégie intelligente : utiliser les images haute résolution de Bing pour créer le « corrigé » parfait (la vérité terrain) afin d'entraîner l'IA, puis utiliser ce cerveau entraîné pour interpréter les images fréquentes et gratuites de Sentinel-2. C'est comme utiliser une photo en haute définition pour apprendre à un étudiant à reconnaître un visage, puis laisser cet étudiant identifier des personnes dans une foule à l'aide d'une caméra de surveillance granuleuse. Le jeu de données BD-SAT est désormais disponible pour toute personne souhaitant l'utiliser, offrant une nouvelle façon fiable de comprendre le paysage changeant du Bangladesh et d'autres régions en développement, prouvant qu'avec les bonnes données, même les villes les plus complexes et les plus denses peuvent être cartographiées avec clarté et soin.