A Radiometrically-Agnostic SegFormer Framework for Water Segmentation inC-Band SAR Imagery

L'eau est le sang de notre planète, pourtant la partie douce et accessible n'en est qu'une infime fraction du total, ce qui fait de sa gestion prudente une nécessité mondiale. Pour protéger les écosystèmes et soutenir les communautés humaines, les scientifiques doivent savoir exactement où l'eau se trouve et comment cette localisation change au fil du temps. Pendant des décennies, le principal outil pour cette tâche a été l'imagerie satellite optique, qui capture des images de la Terre un peu comme un appareil photo le fait. Cependant, ces caméras ont un angle mort important : elles ne peuvent pas voir à travers les nuages, et elles ne fonctionnent pas la nuit. Puisque les modèles météorologiques et la rotation de la Terre obscurcissent constamment la vue, compter uniquement sur les capteurs optiques laisse des lacunes dans notre compréhension des ressources en eau. Pour résoudre ce problème, les chercheurs se sont tournés vers un autre type de capteur satellite appelé Radar à Synthèse d'Ouverture, ou SAR. Contrairement à un appareil photo qui attend la lumière du soleil, le satellite SAR envoie activement des ondes radio et écoute l'écho qui revient. Cela lui permet de cartographier la surface jour et nuit, par n'importe quel temps, offrant une vue continue des rivières, des lacs et des zones inondées du monde.

Le défi de cette technologie radar est que les données brutes qu'elle produit sont complexes et varient selon le satellite spécifique utilisé. Différents satellites envoient des signaux de manières légèrement différentes, et la façon dont les données sont traitées peut modifier la luminosité de l'image, ce qui rend difficile pour les ordinateurs de reconnaître une rivière dans une image s'ils n'ont été entraînés que sur une autre. Pour combler cette lacune, une équipe de chercheurs du National Remote Sensing Centre a développé une nouvelle méthode pour identifier automatiquement l'eau dans ces images radar. Ils ont créé un système informatique qui ne se laisse pas confondre par les paramètres spécifiques du satellite ou le type de signal qu'il reçoit. Au lieu de s'appuyer sur des règles rigides, le système apprend à comprendre la forme et le contexte du paysage, ce qui lui permet de repérer l'eau avec précision, que l'image provienne d'un satellite européen ou d'un satellite indien, et indépendamment de la façon dont les données ont été calibrées.

Les chercheurs ont construit leur système en utilisant un type moderne d'intelligence artificielle connu sous le nom de Vision Transformer. Alors que les anciens systèmes de vision par ordinateur regardaient les images par petits morceaux isolés, cette nouvelle approche permet à l'ordinateur de regarder l'ensemble de la scène à la fois, comprenant comment une rivière étroite se connecte à un lac plus vaste ou comment une zone humide s'insère dans une vallée. Pour faire fonctionner cela, l'équipe a combiné les images radar avec des données topographiques, qui fournissent une carte numérique de la hauteur et de la pente du terrain. En fournissant à l'ordinateur à la fois l'image radar et la forme du terrain, ils lui ont donné un contexte beaucoup plus riche. Un élément clé de leur succès a été une technique consistant à normaliser les données pour chaque scène spécifique. Cela signifie que l'ordinateur ajuste la luminosité et le contraste de chaque image qu'il voit pour les faire correspondre à une plage standard, enseignant ainsi au modèle à ignorer les particularités spécifiques du capteur pour se concentrer uniquement sur les caractéristiques réelles du sol. Cette stratégie rend le système « radiométriquement agnostique », ce qui signifie qu'il fonctionne aussi bien sur différents types de données radar sans avoir besoin d'être réentraîné pour chaque nouveau satellite.

Pour tester leur idée, l'équipe a entraîné son système sur une vaste collection d'images mondiales du satellite Sentinel-1, puis l'a mis au défi avec des données du satellite EOS-04 de l'Inde, un instrument complètement différent doté de caractéristiques distinctes. Ils ont comparé deux versions de leur système : une version plus petite et plus légère, et une version plus grande et plus complexe. Les résultats ont été surprenants. Le modèle plus grand, qui disposait de plus de puissance de calcul, n'a pas été plus performant que le plus petit. En fait, la version légère a obtenu un score de précision plus élevé, identifiant correctement l'eau dans 95,8 % des cas de test, tandis que le modèle plus grand a atteint 95,2 %. Plus important encore, le modèle plus petit était près de 48 % plus rapide pour traiter chaque image. Cette découverte suggère que, pour la tâche spécifique de la recherche d'eau, un système plus efficace et rationalisé est supérieur à un système massif et lourd. La complexité supplémentaire du modèle plus grand ne l'a pas aidé à mieux voir ; elle l'a simplement ralenti.

Le système s'est révélé remarquablement robuste face à des scénarios réels difficiles. Il a réussi à identifier de petites rivières sinueuses et des réseaux d'eau complexes qui déroutent souvent les méthodes traditionnelles. Il a même réussi à distinguer l'eau couverte d'une fine couche de glace. Bien que la glace modifie la façon dont les ondes radar rebondissent, faisant souvent paraître la surface différente de l'eau libre, le système a utilisé le paysage environnant et la forme du plan d'eau pour l'identifier correctement comme étant de l'eau. Cette capacité à regarder au-delà du signal immédiat et à comprendre le contexte plus large constitue un bond en avant significatif. Les chercheurs ont également testé si le fait d'observer la même zone plusieurs fois sous des angles légèrement différents améliorait les résultats. Ils ont constaté que, bien que cette approche de « passage multiple » offrait une légère amélioration de la précision, le gain était si faible que la méthode de « passage unique », plus rapide, est suffisante pour une surveillance à grande échelle.

En fin de compte, ce travail démontre que la solution la plus puissante n'est pas toujours la plus complexe. En concechant un système suffisamment flexible pour gérer différents capteurs et suffisamment efficace pour traiter les données rapidement, les chercheurs ont créé un outil prêt pour une utilisation réelle. Le cadre qu'ils ont développé offre un moyen fiable de cartographier les masses d'eau du monde de manière continue, quels que soient la couverture nuageuse ou l'heure de la journée. Cette capacité est essentielle pour atteindre les objectifs mondiaux liés à la gestion durable de l'eau, offrant un moyen pratique et hautement précis de surveiller la ressource la plus vitale de la planète. L'étude confirme qu'avec la bonne approche, l'intelligence artificielle peut surmonter les incohérences techniques des données satellitaires pour fournir une vue claire et ininterrompue de l'eau qui soutient la vie sur Terre.