🤖 machine learning

AI4Land: Scalable Deep Learning for Global High-Resolution Land Use Reconstruction

Auteurs originaux : Amirpasha Mozaffari, Marina Castaño, Stefano Materia, Etienne Tourigny, Oscar Molina-Sedano, Jordi Varela-Agrelo, Dario Garcia-Gasulla, Miguel Castrillo Melguizo, Mario Acosta, Amanda Duarte

Publié 2026-06-11

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Amirpasha Mozaffari, Marina Castaño, Stefano Materia, Etienne Tourigny, Oscar Molina-Sedano, Jordi Varela-Agrelo, Dario Garcia-Gasulla, Miguel Castrillo Melguizo, Mario Acosta, Amanda Duarte

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

Imaginez la Terre comme un puzzle géant et complexe. Les scientifiques qui tentent de prédire les futurs changements climatiques ont besoin de savoir exactement quelles pièces sont présentes sur le plateau : où se trouvent les forêts, où se trouvent les villes et où se trouvent les fermes. Cependant, il leur manque actuellement beaucoup de pièces du puzzle, surtout pour le passé (avant l'existence des satellites) et pour le futur (ce qui n'est pas encore arrivé).

Le document présente AI4Land, un nouvel outil conçu pour combler ces manques avec une précision incroyable. Voici comment cela fonctionne, décomposé en concepts simples :

1. Le Problème : La « Carte Floue » vs l'« Histoire Manquante »

Les scientifiques possèdent deux types de cartes principaux, mais les deux présentent des défauts :

La « Carte Floue » (LUH2) : Elle couvre une immense chronologie (de 1850 à 2100), mais sa résolution est très faible. C'est comme regarder la photo d'une forêt depuis un avion ; vous voyez une tache verte, mais vous ne pouvez pas dire s'il s'agit d'un pin ou d'un chêne, ni exactement où la lisière de la forêt rencontre une ville.
Le « Instantané Haute Définition » (HILDA+) : Il s'agit d'une carte extrêmement claire et détaillée prise par des satellites, mais elle n'existe que pour une courte période (l'« ère des satellites »). C'est comme avoir une photo en 4K d'une ville aujourd'hui, mais n'avoir aucune photo de ce à quoi cette ville ressemblait il y a 100 ans ou de ce à quoi elle pourrait ressembler dans 50 ans.

L'Objectif : AI4Land veut prendre la « Carte Floue » et l'utiliser pour créer un « Film Haute Définition » qui couvre le passé, le présent et le futur, avec une résolution de 1 kilomètre (environ 0,6 mile).

2. La Solution : L'« Architecte Intelligent » (Le Modèle d'IA)

Les chercheurs ont construit un architecte numérique appelé AI4Land. Considérez-le comme un maître peintre qui a été entraîné à regarder un croquis flou et à savoir instantanément comment peindre les détails fins.

Les Entrées : L'IA examine les données d'utilisation des terres « floues » (la vue d'ensemble) et les mélange avec des caractéristiques « statiques » qui ne changent jamais, comme la forme des montagnes, la pente des collines et le type de sol. Elle regarde également l'utilisation des terres de l'année précédente ou suivante pour comprendre comment les choses évoluent dans le temps.
L'Entraînement : L'IA a été entraînée sur un supercalculateur massif appelé MareNostrum5 (situé à Barcelone). Imaginez une salle de classe où l'IA se voit présenter des millions d'exemples de « cartes floues » appariées à leurs correspondances de photos satellites en « haute définition ». Au fil du temps, elle a appris les règles : « Oh, si la carte floue montre un mélange de cultures et que le sol est sableux, c'est probablement une ferme. Si la carte floue montre un pâté de maisons urbain et que le sol est argileux, c'est probablement une ville. »
L'Architecture : Le type spécifique d'IA utilisé est appelé U-Net. Vous pouvez le voir comme un entonnoir qui reçoit une image large et floue, la comprime pour en comprendre les schémas fondamentaux, puis l'élargit à nouveau pour dessiner une image nette et détaillée.

3. La Force de Frappe : Le Supercalculateur

Créer ces cartes pour l'ensemble de la Terre est une tâche massive. Pour ce faire, l'équipe a utilisé MareNostrum5, un supercalculateur équipé de puissantes cartes graphiques (GPU).

Mise à l'échelle : Ils ont testé la vitesse de travail de l'ordinateur. Ils ont commencé avec un nœud informatique et sont montés jusqu'à huit. Les résultats étaient comme une machine bien huilée : l'ajout d'ordinateurs a permis de terminer le travail presque parfaitement plus vite, avec presque aucun temps perdu pour que les ordinateurs communiquent entre eux. Cela a prouvé que le système est « évolutif » (scalable) : il peut gérer des tâches énormes sans sourciller.

4. Les Résultats : Une Chronologie Complète

L'IA a généré avec succès une carte continue et à haute résolution de l'utilisation des terres pour les années 1850 à 2100.

Le Passé : Elle a comblé les lacunes pour les années précédant l'existence des satellites (1850–1899) en utilisant les données floues et les talents de « peinture » de l'IA.
Le Futur : Elle a créé trois versions différentes du futur (jusqu'en 2100) basées sur différents scénarios climatiques (comme différentes trajectoires de développement pour l'humanité).
Précision : L'IA a identifié correctement environ 94,7 % des types de terrains. Elle était très efficace pour identifier les forêts, l'eau et les prairies. Cependant, elle a eu un peu plus de mal avec les villes (zones urbaines). C'est comme un peintre qui est excellent pour peindre des arbres, mais qui trouve difficile de peindre les détails minuscules et complexes d'un horizon urbain parce qu'il y avait moins d'exemples de villes dans les données d'entraînement.

5. Et après ?

Le document décrit cela comme la Phase 1. L'équipe a déjà construit les fondations.

Phase 2 (Prévue) : Ils prévoient d'utiliser ces cartes d'utilisation des terres détaillées pour prédire la croissance des plantes (plus précisément ce qu'on appelle l'« Indice de Surface Foliaire », qui est une mesure de la quantité de feuilles vertes sur un arbre).
Améliorations : Ils prévoient d'enseigner davantage à l'IA sur les villes en ajoutant des données sur la densité de population et les zones climatiques, espérant ainsi résoudre le problème de la « peinture des villes ».
Open Source : Tout le code, les données et les modèles sont mis à la disposition du public afin que d'autres scientifiques puissent les utiliser pour construire de meilleurs modèles climatiques.

Résumé

En résumé, AI4Land est une machine à remonter le temps numérique pour la géographie. Elle utilise un supercalculateur et une IA intelligente pour transformer des cartes de faible qualité et de longue durée en films haute définition et détaillés de la surface de la Terre, aidant ainsi les scientifiques à comprendre comment les terres de notre planète ont changé et comment elles pourraient changer à l'avenir.

Résumé technique : AI4Land – Reconstruction de l'occupation des sols à haute résolution à l'échelle mondiale par apprentissage profond scalable

1. Énoncé du problème

L'incertitude entourant le cycle du carbone terrestre demeure une contrainte critique pour les projections climatiques, principalement en raison de la résolution grossière et du manque de représentation dynamique des processus de surface terrestre dans les modèles du système Terre. Les ensembles de données existants sur l'occupation des sols (LU) et la couverture terrestre (LC) font face à un compromis fondamental : les jeux de données à haute résolution (ex. HILDA+) sont limités à l'ère satellitaire, tandis que les projections historiques et futures à long terme (ex. LUH2) n'existent qu'à des résolutions grossières (~28 km). Ce fossé de résolution introduit des biais substantiels dans les simulations de séquestration du carbone, de l'humidité du sol et des flux d'énergie de surface. Les méthodes actuelles de mise à l'échelle par apprentissage automatique sont restreintes à des régions spécifiques ou à des pays isolés, manquant d'un cadre mondialement scalable capable de combler l'écart entre les données de scénarios grossières et les motifs spatiaux à haute résolution sur des échelles centennales (1850–2100).

2. Méthodologie

Les auteurs présentent AI4Land, un cadre fondé sur les données conçu pour générer des reconstructions historiques et des projections futures de l'occupation et de la couverture des sols à haute résolution (1 km). Le cadre fonctionne en deux phases ; ce travail se concentre sur la première phase : la reconstruction de cartes annuelles de LU/LC.

2.1 Données et prétraitement

Entrées : Le modèle intègre des données de scénarios dynamiques à résolution grossière (LUH2, grille de 0,25°) avec des caractéristiques géophysiques statiques. Les entrées comprennent 12 variables fractionnaires de LU, des caractéristiques topographiques (élévation, pente, aspect), des caractéristiques de sol à haute résolution (argile, sable, teneur en matière organique) et un a priori autorégressif des étapes temporelles adjacentes ( $t-1$ ou $t+1$ ).
Cible : Des étiquettes de vérité terrain à haute résolution dérivées du jeu de données HILDA+. Le schéma original de 13 classes a été consolidé en 8 classes (Forêt, Cultures, Pâturages, Urbain, Herbe/arbustes, Autres terres, Eau, et une catégorie consolidée) afin d'atténuer le déséquilibre des classes.
Prétraitement : Un pipeline standardisé utilisant Climate Data Operators (CDO) re-mappe toutes les entrées sur une grille WGS84 de 1 km. Les données de sol subissent une moyenne pondérée par la profondeur non linéaire pour prioriser les interactions de la zone racinaire. Les données sont stockées au format ARCO Zarr pour un E/S parallèle efficace.

2.2 Architecture du modèle

Le cadre utilise une architecture U-Net adaptée à la segmentation sémantique :

Structure : Un U-Net standard avec 35 canaux de base, comprenant un encodeur avec quatre blocs de max-pooling et de double convolution, et un décodeur symétrique avec des connexions de saut (skip connections) et de suréchantillonnage (upsampling).
Gestion des entrées : Accepte un empilement multicanal de 14 variables LUH2 (sur 2 pas de temps), 6 caractéristiques statiques et 1 a priori HILDA.
Stratégie d'entraînement : Pour empêcher le modèle de copier trivialement l'a priori à haute résolution, 60 % de l'a priori autorégressif est masqué de manière aléatoire pendant l'entraînement. Cela force le modèle à apprendre la correspondance entre les entrées LUH2 grossières et les caractéristiques statiques.
Séparation : Deux modèles distincts sont entraînés : l'un pour les données historiques (utilisant LUH2h) et l'autre pour les projections futures (utilisant LUH2f).

2.3 Entraînement et inférence scalables

Infrastructure : L'entraînement a été réalisé sur MareNostrum5 (Barcelona Supercomputing Center) via le parallélisme de données distribuées (DDP) avec la bibliothèque Hugging Face Accelerate. Le système a évolué d'un nœud (4 GPU NVIDIA H100) à 8 nœuds (32 H100).
Scalabilité : Le pipeline a atteint une mise à l'échelle quasi linéaire, conservant 97–98 % du débit idéal à 8 nœuds.
Inférence : Les cartes mondiales sont générées à l'aide d'une approche par fenêtre glissante sur des patchs de 512×512 chevauchants. Les prédictions sont fusionnées à l'aide d'une fonction de pondération gaussienne pour assurer des transitions fluides et éviter les artefacts de bloc.

2.4 Stratégie d'évaluation

Pour éliminer la fuite d'autocorrélation spatiale, les auteurs ont employé un partitionnement basé sur la grille combiné à un échantillonnage de point le plus éloigné (FPS). Le domaine spatial a été divisé en cellules de 30×30, chaque cellule étant assignée exclusivement aux ensembles d'entraînement, de validation ou de test. Une séparation temporelle a également été appliquée (1960–2000 pour l'entraînement, 2001–2015 pour le test).

3. Résultats clés

Métriques de performance : Le modèle a atteint une intersection moyenne sur union (mIoU) de 0,805 et une précision globale de classification de 94,67 % sur l'ensemble de test.
Performance par classe : La performance varie considérablement selon la classe. Les couvertures majeures comme la Forêt (mIoU 0,889), l'Eau (mIoU 0,991) et les Cultures (mIoU 0,815) sont prédites avec une grande fidélité. Cependant, les classes minoritaires, particulièrement les zones Urbaines, affichent des performances moindres (mIoU 0,463), soulignant la sensibilité au déséquilibre des classes.
Convergence : L'entraînement multi-nœuds (8 nœuds) a démontré une convergence supérieure, atteignant une perte d'entraînement de ~0,29 après 10 époques contre ~0,40 pour la ligne de base à un seul nœud, grâce à des tailles de lots effectives plus grandes fournissant de meilleures estimations de gradient.
Sortie mondiale : Le pipeline a généré avec succès un ensemble de données complet couvrant 1850–2100, englobant l'ère pré-observationnelle, l'enregistrement observationnel et trois scénarios climatiques futurs (SSP2-4.5, SSP3-7.0, SSP4-6.0). La validation pour l'année 2014 a montré une précision mondiale de 94,88 % et un mIoU de 0,8569.

4. Signification et contributions

Le papier revendique la signification suivante :

Premier cadre mondial scalable : AI4Land est présenté comme le premier modèle capable de combler le fossé de résolution des données d'occupation des sols à l'échelle mondiale, couvrant la période 1850 à 2100, plutôt que d'être limité à des régions spécifiques ou à l'ère satellitaire.
IA assistée par HPC : Ce travail démontre comment l'infrastructure de calcul haute performance (HPC) accélérée par GPU (spécifiquement EuroHPC/MareNostrum5) permet l'entraînement de pipelines d'apprentissage profond complexes pour des applications climatiques mondiales, atteignant une scalabilité quasi linéaire.
Préparation au Jumeau Numérique : Les émulateurs open-source résultants sont conçus pour un couplage en temps réel avec des plateformes de jumeaux numériques (ex. Destination Earth), fournissant des conditions de surface terrestre évolutives et réalistes à la demande.
Réduction de l'incertitude : En fournissant des conditions limites de surface terrestre temporellement continues et spatialement détaillées, le cadre vise à réduire les incertitudes critiques du cycle du carbone terrestre et à améliorer le pouvoir prédictif des simulations climatiques de nouvelle génération concernant les flux de carbone, d'eau et d'énergie.

5. Travaux futurs et limites

Les auteurs reconnaissent que la performance du modèle est intrinsèquement impactée par la qualité et les biais des données sources (HILDA+ et LUH2). Ils notent que la classification des zones urbaines et des classes minoritaires nécessite des améliorations. Les travaux futurs prévus incluent :

L'incorporation de prédicteurs supplémentaires tels que les zones climatiques de Köppen-Geiger et les données de densité de population pour améliorer la classification urbaine.
L'intégration d'un U-Net récurrent pour mieux imposer la cohérence temporelle à travers les projections centennales et traiter le biais d'exposition via l'échantillonnage programmé (scheduled sampling).
L'investigation d'approches génératives (Flow Matching U-Nets avec des backbones de Vision Transformer) pour capturer les dépendances spatiales à longue portée et quantifier l'incertitude.
L'exploration de l'utilisation de modèles de fondation via des adaptateurs et du fine-tuning.
L'extension du cadre à une seconde phase pour prédire des variables biophysiques dynamiques, spécifiquement l'indice de surface foliaire (LAI).

Tous les jeux de données, modèles, codes et poids pré-entraînés sont destinés à être publiés en open-source pour soutenir la reproductibilité et l'innovation dans la modélisation du système Terre.