🤖 machine learning

Predicting Viticulture Potential through an Ensemble of U-Net and a Geospatial Foundation Model

Cet article présente une soumission classée à la 2ème place à la compétition ImageCLEF AI4Agri 2026 qui utilise un ensemble de U-Net et du modèle de fondation géospatial Prithvi-2.0 pour prédire le potentiel viticole dans le sud de la France avec une précision de 68,32 %, démontrant l'efficacité de la télédétection pour la planification agricole durable.

Auteurs originaux : Jorge Ignacio Perez, Hwaai Kang Kee, Lucas Rassbach

Publié 2026-07-10

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jorge Ignacio Perez, Hwaai Kang Kee, Lucas Rassbach

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 que vous êtes un agriculteur essayant de déterminer si une parcelle de terre dans le sud de la France est parfaite pour la culture de la vigne. Autrefois, vous auriez dû embaucher une équipe d'experts pour parcourir le terrain, prélever des échantillons de terre et rédiger des rapports. C'est lent, coûteux, et le temps qu'ils aient fini, la météo pourrait avoir changé !

Pour accélérer les choses, une équipe de chercheurs de Georgia Tech a décidé de laisser les satellites faire le plus gros du travail. Ils ont examiné un puzzle géant composé de 34 instantanés du même terrain, pris sur trois ans (2017–2019) par un satellite Sentinel-2. Chaque petit carré (pixel) de ces images devait recevoir une note de 1 à 5, indiquant s'il serait bon pour un vignoble.

Les deux super-étudiants

Les chercheurs n'ont pas seulement choisi un outil ; ils ont construit un « groupe d'étude » de deux modèles d'IA très différents pour résoudre ce puzzle ensemble.

1. Le détective attentif aux détails (U-Net)
Considérez le premier modèle, appelé U-Net, comme un détective qui adore tout regarder en même temps. Au lieu de regarder la terre changer au fil du temps comme un film, ce détective a empilé les 34 instantanés les uns sur les autres, comme un sandwich épais.

L'astuce : Ils ont traité chaque moment dans le temps comme un simple ingrédient supplémentaire. Comme il y avait 34 étapes temporelles et 15 types de lumières différents (bandes spectrales) à observer, le détective fixait une pile massive de 510 canaux de données d'un seul coup.
Le résultat : Ce modèle était excellent pour repérer les détails minuscules et spécifiques, ainsi que les motifs locaux, comme une petite parcelle de sol sec ou un champ de forme inhabituelle.

2. Le conteur de saisons (Prithvi-2.0)
Le second modèle, Prithvi-2.0, est un « modèle de fondation ». Imaginez-le comme un étudiant qui a déjà lu des millions de livres sur la Terre avant même de commencer ce cours. Il sait comment les forêts, les océans et les fermes se comportent habituellement.

L'astuce : Au lieu de regarder le sandwich épais des 34 instantanés, ce conteur a regroupé les données en quatre saisons (hiver, printemps, été, automne). Il n'a regardé que les six couleurs principales de lumière sur lesquelles il a été entraîné, ignorant les autres pour rester cohérent avec son « éducation ».
La recette secrète : Les chercheurs ont utilisé le premier modèle (le Détective) pour aider le second (le Conteur). Là où le Détective était sûr de lui concernant un pixel mais où l'étiquette manquait, il a chuchoté la réponse au Conteur. Cela a aidé le Conteur à apprendre des parties du puzzle qui étaient habituellement vides.

La grande surprise : le voyage dans le temps n'a pas fonctionné

Voici le rebondissement que l'équipe a découvert. Avant de commencer, ils avaient supposé que regarder la terre changer au fil du temps (modélisation temporelle) serait le secret de la victoire. Ils pensaient que l'IA devait voir le « film » des saisons pour comprendre les raisins.

Ils se sont trompés.

Lorsqu'ils ont testé des modèles sophistiqués conçus spécifiquement pour comprendre les séquences temporelles (comme TSViT ou U-TAE), ces modèles ont en réalité moins bien performé que l'approche simple du « sandwich empilé ».

Pourquoi ? Les chercheurs suggèrent que, comme les cadres temporels étaient fixes et identiques pour tout le monde, il était en fait préférable de traiter le temps comme plus de couleurs plutôt que comme une histoire en mouvement. L'U-Net, qui se contentait d'empiler les étapes temporelles comme des couches de peinture supplémentaires, s'est avéré plus précis que les modèles complexes de voyage dans le temps.

L'équipe gagnante

Le véritable champion n'était pas un modèle seul, mais l'Ensemble.

L'U-Net (le Détective) était bon pour les détails fins, mais devenait parfois un peu bruyant.
Le Prithvi (le Conteur) était plus fluide et meilleur pour la vue d'ensemble, mais passait à côté de certains détails minuscules.
La magie : En combinant leurs réponses, en accordant un poids de 65 % à l'opinion du Détective et de 35 % à celle du Conteur, ils ont créé une super-solution.

Le tableau des scores

Dans la compétition finale (ImageCLEF AI4Agri 2026), cette équipe a atteint une précision de ±1 de 68,32 %.

Qu'est-ce que cela signifie ? Si la vraie note était de « 4 » (potentiel élevé), le modèle a deviné correctement « 3 », « 4 » ou « 5 » environ 68 % du temps.
Le classement : Ce score leur a permis de décrocher la 2ème place sur 7 équipes.
L'écart : Les modèles individuels ont obtenu 66,25 % (U-Net) et 65,51 % (Prithvi). L'union a clairement été meilleure, mais les chercheurs ont remarqué un « écart de généralisation ». Les modèles ont excellé lors du test d'entraînement (validation), mais ont légèrement chuté face aux données de test réelles et inédites. Ils soupçonnent que la terre testée est peut-être différente (peut-être plus montagneuse ou avec un sol différent) de la terre d'entraînement, mais ils n'en sont pas encore sûrs à 100 %.

Et après ?

L'équipe suggère qu'ils auraient peut-être dû essayer la version plus grande du Conteur (Prithvi-300M) avec les 34 étapes temporelles complètes au lieu de seulement quatre saisons, mais leurs ordinateurs n'étaient pas assez puissants pour essayer cette fois-ci. Ils veulent également comprendre exactement pourquoi les modèles ont été confus par les données de test.

Pour l'instant, la leçon est claire : parfois, la meilleure façon de comprendre le temps n'est pas de le regarder bouger, mais de l'empiler et de le regarder d'un seul coup !

Résumé Technique : Prédiction du potentiel viticole via un ensemble d'un U-Net et d'un modèle de fond géospatial

Définition du Problème
L'article traite du défi de la prédiction de l'aptitude agricole, plus précisément pour la viticulture, en utilisant des données de télédétection. Les méthodes traditionnelles de détermination de l'aptitude des terres impliquent des relevés physiques coûteux et chronophages qui nécessitent des réévaluations fréquentes pour tenir compte de l'évolution des conditions environnementales et du changement climatique. Les auteurs se concentrent sur l'ImageCLEF AI4Agri 2026 : Subtask 1, qui utilise le jeu de données AgriPotential pour classifier l'imagerie multispectrale Sentinel-2. L'objectif est d'attribuer un score d'aptitude agricole par pixel de 1 à 5 pour la viticulture dans le sud de la France. Le jeu de données présente des défis spécifiques, notamment une proportion élevée de pixels non étiquetés (environ 50 % sur l'ensemble des partitions) et un volume important de données (~200 Go), ainsi que la nécessité de modéliser la dynamique temporelle sur 34 étapes temporelles (2017–2019).

Méthodologie
L'équipe DS@GT ARC a proposé un ensemble pondéré de deux modèles d'apprentissage profond distincts, tous deux entraînés indépendamment et combinés lors de l'inférence.

Architecture U-Net (Empilement Temporel) :
- Stratégie d'entrée : Au lieu d'une modélisation temporelle explicite, les auteurs ont traité les 34 étapes temporelles et les 15 canaux (10 bandes brutes Sentinel-2 + 5 indices spectraux incluant NDVI, NDMI, NDWI, NDRE et NBR) comme un tenseur d'entrée unique de $34 \times 15 = 510$ canaux.
- Architecture : Un U-Net standard étendu avec des connexions résiduelles, une dimension de canal de base de 128 et une profondeur de 3.
- Fonction de perte : Le modèle utilise une perte de cross-entropie binaire ordinale, qui prend en compte la nature ordonnée des classes d'aptitude (1–5). Les pixels non étiquetés sont exclus du calcul de la perte.
- Sortie : Un canal de sortie unique passé à travers une couche ordinale avec 4 seuils apprenables (somme cumulative de valeurs transformées par softplus) pour générer des frontières de décision binaires.
Modèle de Fond Prithvi-EO-2.0 (Agrégation Saisonnière) :
- Stratégie d'entrée : Pour s'aligner sur la configuration de pré-entraînement du modèle Prithvi-EO-2.0, les 34 étapes temporelles ont été agrégées en quatre moyennes saisonnières. Seules les six bandes spectrales utilisées lors du pré-entraînement de Prithvi (Bleu, Vert, Rouge, NIR, SWIR-1, SWIR-2) ont été utilisées.
- Architecture : Le modèle affine l'encodeur prithvi_eo_v2_100_tl (100 millions de paramètres) avec un cou de pyramide de caractéristiques (Feature Pyramid Neck) et un décodeur UperNet. Il incorpore des encodages temporels et de coordonnées de localisation.
- Stratégie d'entraînement : L'encodeur est gelé pendant les 7 premières époques. Le modèle utilise une approche de pseudo-étiquetage enseignant-élève : l'U-Net entraîné agit comme un enseignant fixe, générant des pseudo-étiquettes pour les pixels non étiquetés lorsque la confiance dépasse 0,7. Ces étiquettes sont intégrées dans la perte de l'élève avec un poids de $\lambda=0,3$ .
- Initialisation : Les seuils ordinaux ont été initialisés à partir des valeurs de l'U-Net entraîné pour assurer une convergence stable.
Stratégie d'Ensemble :
- La prédiction finale est un ensemble de logits pondérés : $z = 0,65 \cdot z_{\text{U-Net}} + 0,35 \cdot z_{\text{Prithvi}}$ .
- Augmentation de données : Des rotations et des retournements ont été appliqués pour combler l'écart de généralisation entre les ensembles de validation et de test.
- Normalisation : L'U-Net a utilisé une division par 10 000, tandis que Prithvi a utilisé une normalisation Z-score par partition de données pour maintenir la cohérence avec les distributions de pré-entraînement.

Résultats Clés

Performance : L'ensemble a atteint une précision de test $\pm 1$ de 68,32 %, se classant 2ème parmi 7 équipes sur le classement public.
Comparaison de Modèles : L'ensemble a surpassé ses composants individuels :
- U-Net : 66,25 %
- Prithvi : 65,51 %
- D'autres architectures de transformeurs (TSViT, U-TAE, Swin-V2, Presto) ont produit des précisions de test inférieures (allant de 49 % à 64 %).
Observations :
- L'U-Net a produit des prédictions plus bruitées mais a capturé des motifs spatiaux fins.
- Prithvi a généré des sorties plus lisses et plus cohérentes spatialement, mais a eu des difficultés avec les frontières complexes.
- Un écart de généralisation constant a été observé entre les ensembles de validation et de test pour tous les modèles, suggérant un potentiel décalage de distribution ou un surapprentissage entre l'entraînement et le test.

Contributions et Revendications Clés

Efficacité de l'Ensemble : La principale contribution est de démontrer que la combinaison d'une approche convolutionnelle (U-Net avec empilement de canaux temporels) et d'un modèle de fond géospatial (Prithvi avec agrégation saisonnière) produit des performances supérieures à celles de chaque modèle seul ou d'autres architectures temporelles complexes.
Aperçu de la Modélisation Temporelle : Contrairement à l'hypothèse initiale selon laquelle une modélisation temporelle explicite (ex: via des Transformeurs) donnerait les meilleurs résultats, l'article affirme que l'empilement des cadres temporels en tant que canaux d'entrée (traitant les étapes comme des observations distinctes pour le même pixel) était plus efficace pour cette tâche spécifique. Les auteurs suggèrent que la segmentation sémantique est effectuée à travers les cadres temporels plutôt que pour chaque cadre temporel dans ce contexte.
Adaptation du Modèle de Fond : Ce travail démontre la viabilité de l'adaptation d'un modèle de fond géospatial à grande échelle (Prithvi-EO-2.0) à une tâche agricole spécifique en utilisant l'agrégation saisonnière et le pseudo-étiquetage semi-supervisé pour gérer les données non étiquetées.
Apprentissage Semi-Supervisé : L'article souligne l'utilité de l'utilisation d'un U-Net comme enseignant pour générer des pseudo-étiquettes pour les pixels non étiquetés dans le modèle élève Prithvi, fournissant un effet de régularisation.

Signification
L'article présente une approche pratique et performante pour prédire le potentiel viticole à partir d'imagerie satellite multitemporelle. Il remet en question l'hypothologie selon laquelle des architectures temporelles complexes sont toujours nécessaires pour les tâches de télédétection de séries temporelles, suggérant que pour la segmentation à cadres temporels fixes, l'empilement de canaux peut être une base robuste. Le travail souligne également l'importance de traiter l'écart de généralisation dans les applications de télédétection, où les décalages de distribution entre les ensembles de validation et de test restent un défi important. L'implémentation est rendue publique pour soutenir davantage de recherches sur la cartographie du potentiel agricole.