Exploring the potential of AlphaEarth and TESSERA embeddings for Fine-scale Local Climate Zone Mapping: A case study across five cities in Switzerland

Imaginez que vous essayiez de dessiner la carte d'une ville, mais qu'au lieu de simplement montrer où se trouvent les parcs et les bâtiments, vous vouliez montrer exactement comment la ville « ressent » la météo. Est-ce qu'une rue ressemble à un four brûlant à cause des bâtiments hauts et serrés ? Ou est-ce qu'elle ressemble à une brise fraîche grâce aux arbres dispersés ? Dans le monde scientifique, cela s'appelle cartographier les Zones Climatiques Locales (LCZ).

Pendant longtemps, les scientifiques ont disposé d'un « brouillon » de ces cartes. C'est comme une photo à basse résolution où chaque pixel a la taille d'un terrain de football (100 mètres). C'est utile pour avoir une vue d'ensemble, mais si vous voulez comprendre le climat d'un quartier spécifique ou d'une seule rue, cette photo est trop floue.

Ce document est comme une équipe de scientifiques qui essaient de transformer cette photo floue, de la taille d'un terrain de football, en une image haute définition nette (10 mètres par pixel) pour cinq grandes villes suisses : Berne, Bâle, Genève, Lausanne et Zurich.

Voici comment ils ont procédé, en utilisant quelques analogies créatives :

1. Les trois « yeux » qui observent la ville

Pour créer ces cartes haute définition, les chercheurs ne se sont pas contentés de regarder la ville avec une seule paire d'yeux. Ils ont testé trois outils de « super-vision » différents pour voir lequel pouvait le mieux traduire une carte de référence floue en une carte nette :

• L'œil classique (S1S2) : C'est la méthode traditionnelle. Il regarde la ville à l'aide de photos satellites standards (Sentinel-1 et Sentinel-2). C'est comme regarder une ville à travers une fenêtre claire, mais il faut faire beaucoup de nettoyage (enlever les nuages, ajuster les couleurs) avant de pouvoir voir quoi que ce soit clairement.
• L'œil « patchwork » (AlphaEarth) : C'est un nouvel outil d'IA de Google. Imaginez qu'il ne regarde pas la ville pixel par pixel, mais plutôt par petits « patchs » ou quartiers à la fois, apprenant la texture de tout un pâté de maisons. C'est comme un fabricant de courtepointes qui comprend le motif d'un pan entier de tissu plutôt que de se concentrer sur un seul fil.
• L'œil « voyageur du temps » (TESSERA) : C'est un autre nouvel outil d'IA. Au lieu de simplement regarder un instantané, il regarde le « film » de la ville sur toute l'année. Il comprend comment la ville change avec les saisons — quand les arbres deviennent verts, quand la neige fond et à quoi ressemble le sol en été par rapport à l'hiver. Il crée une « capsule temporelle » de données.

2. Le « peintre intelligent » (Le modèle d'IA)

Les chercheurs ont utilisé un type spécial d'IA appelé Attention U-Net. Considérez cette IA comme un peintre très intelligent à qui l'on donne un croquis flou à basse résolution (la carte de référence) et à qui l'on demande de peindre un chef-d'œuvre en haute définition.

La partie « Attention » est comme si le peintre portait des lunettes spéciales qui l'aident à se concentrer sur les détails les plus importants. S'il voit un groupe de bâtiments hauts, les lunettes lui disent : « Portez une attention particulière ici ; c'est une zone urbaine dense. » S'il voit une rivière, les lunettes disent : « Concentrez-vous ici ; c'est de l'eau. »

3. Les trois expériences

L'équipe a mené trois tests différents pour voir comment leur « peintre intelligent » fonctionnait :

• Expérience 1 : Le défi multi-villes. Ils ont entraîné le peintre à reconnaître les cinq villes à la fois en utilisant les cartes de référence de la taille d'un « terrain de football » (100 m).
  • Résultat : L'œil voyageur du temps (TESSERA) était le meilleur peintre. Il a produit les cartes les plus nettes. L'œil classique était correct, mais l'œil patchwork (AlphaEarth) avait un peu plus de mal avec la diversité des différentes villes.
• Expérience 2 : Le test de haute résolution. Ils se sont concentrés uniquement sur Berne, où ils disposaient d'une carte de référence légèrement plus nette (78 m au lieu de 100 m).
  • Résultat : Avec un meilleur croquis de départ, tous les peintres se sont améliorés. L'œil voyageur du temps (TESSERA) a toujours gagné, mais l'œil patchwork (AlphaEarth) a rattrapé son retard et a fait presque aussi bien. L'œil classique était toujours le plus faible.
• Expérience 3 : Le test du voyage dans le temps. Ils ont entraîné le peintre sur les données de 2024 et lui ont demandé de peindre la ville de 2025 sans réentraînement.
  • Résultat : C'était délicat. La ville change légèrement chaque année (les arbres poussent, la météo change). L'œil classique (S1S2) était le plus stable ; il n'a pas paniqué quand l'année a changé. L'œil voyageur du temps (TESSERA) a bien travaillé mais était un peu plus sensible aux changements. L'œil patchwork (AlphaEarth) a été le plus confus lors du changement d'année.

4. Les grandes conclusions

• La magie des « embeddings » : L'étude a révélé que l'utilisation de ces nouveaux outils d'IA (TESSERA et AlphaEarth) revient à posséder un « kit intelligent » pré-emballé. Vous n'avez pas besoin de passer des semaines à nettoyer et préparer vous-même les photos satellites brutes. L'IA a déjà fait le travail difficile de compréhension des données.
• TESSERA est la star : L'outil qui observe le « film saisonnier » de la ville (TESSERA) a systématiquement créé les cartes les plus précises, surtout lorsqu'il s'agissait de différents types de villes.
• Le goulot d'étranglement : Même avec les meilleurs outils, la qualité de la carte finale dépend fortement de la qualité du « croquis » (les données de référence) par lequel ils ont commencé. Si la carte de référence est floue, la peinture finale aura des limites. Les chercheurs ont découvert qu'avoir une carte de référence plus nette (comme celle de 78 m pour Berne) faisait une grande différence.
• Le temps est complexe : Bien que les nouveaux outils d'IA soient puissants, ils sont sensibles à la période de l'année. Un modèle entraîné sur une ville en été pourrait être confus face à une ville en hiver, à moins qu'il ne soit spécifiquement enseigné pour gérer ces changements.

En résumé

Ce document prouve que nous pouvons utiliser des « super-yeux » d'IA avancés pour transformer des cartes climatiques floues et anciennes en guides détaillés et nets, au niveau de la rue. Le meilleur outil pour l'instant est TESSERA, qui comprend les changements saisonniers de la ville. Bien qu'il reste des défis, notamment sur la façon dont les cartes gèrent les années différentes ou les types de villes rares, cette approche ouvre la voie à la création de cartes climatiques détaillées pour les villes du monde entier sans avoir besoin d'envoyer des gens mesurer chaque rue.