Satellite-Based Detection of Looted Archaeological Sites Using Machine Learning

Cette étude présente un pipeline évolutif basé sur l'imagerie satellite et l'apprentissage profond pour détecter les sites archéologiques pillés en Afghanistan, démontrant que les classificateurs CNN préentraînés surpassent significativement les méthodes d'apprentissage automatique traditionnelles et les modèles de fondation géospatiaux.

L'essentiel

🕵️‍♂️ Le Grand Défi : Trouver l'Aiguille dans la Botte de Foin

Imaginez que vous devez surveiller des milliers de sites archéologiques cachés dans les montagnes reculées d'Afghanistan. Ces sites sont comme des trésors anciens (des temples, des villes perdues) qui sont en train d'être pillés par des voleurs.

Le problème ? C'est trop grand pour que des humains aillent sur place. C'est comme essayer de compter les grains de sable d'une plage entière à la main : c'est trop long, trop cher et trop dangereux.

La solution ? Regarder la Terre depuis l'espace, comme un super-héros avec des lunettes de vision nocturne. Mais il y a un hic : les traces laissées par les pillards sont très fines. C'est comme chercher une petite cicatrice sur un visage vu de très loin.

🛰️ L'Arme Secrète : Des Photos de Satellites

Les chercheurs ont utilisé des photos prises par des satellites (PlanetScope) qui passent au-dessus de l'Afghanistan chaque mois depuis 2016.

• La carte au trésor : Ils ont une liste de 1 943 sites. La moitié a été pillée, l'autre moitié est intacte.
• Le défi : Sur une photo, un site pillé ressemble souvent à un site normal. Les voleurs creusent, remuent la terre, et ça change juste un tout petit peu la couleur ou la texture du sol. C'est subtil, comme un changement de voix à peine perceptible.

🤖 La Bataille des Détectives : Deux Équipes s'affrontent

Pour trouver ces pillages automatiquement, les chercheurs ont mis en compétition deux types d'intelligence artificielle (IA) :

Équipe 1 : Le "Vieux Détective" (Machine Learning Traditionnel)

Imaginez un détective qui a un carnet de règles très strict.

• Il regarde la photo et dit : "Attends, si la terre est un peu plus rouge ici, et si la texture ressemble à du gruyère, c'est peut-être un pillage."
• Il utilise des règles mathématiques faites à la main (comme mesurer la "rugosité" du sol).
• Résultat : C'est correct, mais un peu lent et rigide. Il rate souvent les cas compliqués. Son score de réussite est d'environ 71 %.

Équipe 2 : Le "Jeune Génie" (Deep Learning / CNN)

Imaginez un jeune détective qui a passé des années à regarder des millions de photos de chats, de voitures et de paysages (c'est ce qu'on appelle le "pré-entraînement sur ImageNet").

• Il n'a pas besoin de règles écrites. Il a appris à voir des formes et des motifs par lui-même.
• Il regarde la photo brute et dit : "Je ne sais pas pourquoi, mais cette image me fait penser à un site pillé, je l'ai déjà vu des milliers de fois."
• Le petit truc en plus : Les chercheurs lui ont donné un masque. C'est comme si on lui disait : "Ne regarde que le centre de la photo (le site), ignore les routes, les champs et les maisons autour." Cela l'empêche de se laisser distraire par le bruit de fond.
• Résultat : Ce détective est incroyable. Avec le masque, il réussit 92,6 % du temps !

🔑 Les Découvertes Clés (Les "Leçons de Vie")

1. L'expérience compte (Le transfert d'apprentissage) :
   Le "Jeune Génie" qui avait déjà vu des millions d'images (même de chats !) a beaucoup mieux réussi que celui qui apprenait de zéro. Même si les photos de chats ne ressemblent pas aux photos de déserts, le cerveau de l'IA a appris à reconnaître les formes et les bords. C'est comme un chef cuisinier qui sait faire un gâteau et qui apprend très vite à faire un autre gâteau, même avec des ingrédients différents.

2. Le Masque est magique :
   Si on laisse l'IA regarder toute la photo (avec les routes et les champs), elle se trompe souvent. Mais si on lui met un masque pour ne voir que le site archéologique, sa performance explose. C'est comme si on lui disait : "Regarde juste le visage, pas le fond de la pièce."

3. Les textures parlent plus que les couleurs :
   En analysant ce que l'IA regarde vraiment, on s'aperçoit que ce n'est pas tant la couleur de la terre qui compte, mais sa texture. Les pillards créent des irrégularités, des creux, des bords nets (comme des fossés). L'IA a appris à repérer ces "cicatrices" dans le sol.

4. Mieux vaut une photo récente que beaucoup de vieilles photos :
   Curieusement, entraîner l'IA avec des photos d'une seule année (2023) fonctionne mieux que de lui montrer 8 ans de photos. Pourquoi ? Parce que les traces de pillage changent avec le temps (la pluie efface les traces, la végétation repousse). En se concentrant sur un moment précis, l'IA évite d'être confuse par des changements naturels.

🏁 Conclusion : Pourquoi c'est important ?

Cette étude nous dit que pour protéger notre patrimoine culturel (les sites anciens), nous n'avons pas besoin de détectives humains partout. Nous pouvons utiliser une IA entraînée sur des images classiques, armée d'un masque intelligent, pour scanner le monde entier et alerter les autorités quand un site est en danger.

C'est comme passer d'une recherche manuelle, lente et fatigante, à un radar automatique qui peut surveiller des milliers de sites en même temps, jour et nuit, pour sauver l'histoire de l'humanité.

Résumé technique

1. Problématique

Le pillage des sites archéologiques constitue une menace majeure pour le patrimoine culturel mondial, en particulier dans les régions reculées ou en conflit comme l'Afghanistan. Le suivi manuel de milliers de sites est laborieux, coûteux et peu évolutif. Bien que l'imagerie satellite haute résolution soit disponible, la détection automatisée du pillage reste difficile car les signatures visuelles sont subtiles (altération du sol, micro-relief irrégulier, anomalies spectrales locales) et souvent confondues avec l'érosion naturelle ou l'activité agricole. De plus, les modèles existants peinent à généraliser sur de vastes ensembles de données temporelles.

2. Méthodologie

Les auteurs proposent un pipeline évolutif basé sur l'imagerie satellite PlanetScope (mosaïques mensuelles, résolution 4,7 m/pixel, bandes RVB + NIR) couvrant la période 2016–2023.

A. Jeu de Données

• Échelle : 1 943 sites archéologiques en Afghanistan (898 pillés, 1 045 préservés), le plus grand ensemble de données jamais compilé pour cette tâche.
• Annotations : Masques spatiaux manuels (polygones) délimitant les empreintes des sites, permettant de supprimer le contexte non pertinent (routes, zones agricoles).
• Étiquetage temporel : Les étiquettes sont fixées à l'état de décembre 2023. Les auteurs notent un "bruit d'étiquetage temporel" car les sites pillés peuvent sembler intacts sur les images anciennes, ce qui rend l'apprentissage multi-annuel complexe.

B. Approches Comparées

L'étude compare deux familles de méthodes :

1. Apprentissage profond (Deep Learning) : Des réseaux de neurones convolutifs (CNN) entraînés de bout en bout sur des patches d'images brutes (RVB).
   • Architectures : ResNet (18, 34, 50) et EfficientNet (B0, B1).
   • Stratégies : Utilisation de l'initialisation par pré-entraînement ImageNet vs initialisation aléatoire, avec et sans masquage spatial.
2. Apprentissage automatique traditionnel (ML) : Des classifieurs entraînés sur des caractéristiques extraites (features) agrégées temporellement.
   • Caractéristiques manuelles (Handcrafted) : Statistiques spectrales (indices de végétation, humidité) et textures (GLCM, LBP).
   • Embeddings de modèles de fondation (Foundation Models) : Vecteurs extraits de modèles récents (SatCLIP, DINOv3, Prithvi-EO, SatMAE, Satlas, GeoRSCLIP).
   • Classifieurs : Régression logistique, Random Forest (RF), Gradient Boosting (GB), XGBoost.
   • Agrégation temporelle : Moyenne, médiane, concaténation ou compression par PCA des données mensuelles.

3. Contributions Clés

1. Cadre de comparaison systématique : Première évaluation comparative large entre les CNN entraînés sur l'imaginaire brut et les méthodes ML traditionnelles utilisant des embeddings de modèles de fondation géospatiaux pour la détection de pillage.
2. Insight sur la cohérence temporelle : Démonstration que l'entraînement sur une seule année (2023) surpasse l'entraînement multi-annuel en réduisant le bruit des étiquettes temporelles.
3. Validation du transfert et du masquage : Preuve que le pré-entraînement ImageNet (malgré le décalage de domaine) et le masquage spatial manuel améliorent considérablement les performances.
4. Contribution de données : Publication du plus grand jeu de données de sites archéologiques annotés avec des masques spatiaux et une couverture temporelle multi-annuelle.

4. Résultats Principaux

Performance Globale

• Meilleur modèle CNN : ResNet-50 avec pré-entraînement ImageNet et masquage spatial atteint un F1-score de 0,926 (Précision : 0,915, Rappel : 0,940).
• Meilleur modèle ML traditionnel : La configuration SatCLIP-V + Random Forest + Agrégation par Moyenne atteint un F1-score de 0,710.
• Écart de performance : Les CNN surpassent nettement les méthodes traditionnelles, suggérant que les signatures de pillage sont trop subtiles et localisées pour être capturées efficacement par des embeddings globaux de modèles de fondation ou des statistiques de texture simples.

Impact des Techniques Spécifiques

• Pré-entraînement ImageNet : Apporte une amélioration de +6 % à +14 % sur le F1-score par rapport à une initialisation aléatoire.
• Masquage Spatial : C'est le facteur le plus critique. L'application de masques améliore le F1 de +30 % à +45 % pour les CNN en supprimant le bruit de fond.
• Embeddings de Modèles de Fondation : Ils se comportent de manière compétitive avec les caractéristiques manuelles (Handcrafted) mais restent inférieurs aux CNN. Cela indique que les signatures de pillage sont extrêmement localisées et que les modèles de fondation, souvent entraînés sur des scènes larges, perdent ces détails fins.
• Analyse SHAP : Pour les modèles ML, les caractéristiques de texture (GLCM) et la détection de contours (Sobel sur la bande NIR) sont les plus discriminantes.

Cohérence Temporelle

L'entraînement sur une seule année (2023) donne les meilleurs résultats. L'entraînement sur plusieurs années (2017-2023) montre une baisse de performance, confirmant que les traces visibles du pillage peuvent s'estomper ou que les étiquettes deviennent incohérentes avec les images anciennes.

5. Signification et Conclusion

Cette étude démontre qu'une approche end-to-end combinant des CNN pré-entraînés et un masquage spatial explicite est la méthode la plus robuste pour détecter le pillage archéologique à grande échelle.

• Implications opérationnelles : Les systèmes de surveillance devraient intégrer des annotations d'empreintes de sites (masques) pour focaliser l'attention du modèle sur les zones pertinentes, plutôt que de traiter l'image entière.
• Limites : La résolution de 4,7 m peut manquer des perturbations très fines. Les résultats sont spécifiques à l'Afghanistan et pourraient varier selon la géologie ou le type de sol.
• Perspectives futures : Extension à d'autres régions (Syrie, Soudan, Égypte) et exploration de l'apprentissage actif pour réduire la dépendance aux annotations expertes.

En résumé, l'article valide que l'apprentissage profond, couplé à une pré-analyse géospatiale (masquage), offre une solution scalable et précise pour la protection du patrimoine culturel menacé par le pillage.