216 - L’observation de la Terre à l’ère de la 4e révolution industrielle

Les techniques d'apprentissage profond ont révolutionné l'état de l'art dans plusieurs domaines scientifiques comme la  vision par ordinateur, le traitement de la parole et du langage, etc. Un impact similaire est attendu dans les domaines de l'observation de la terre et des sciences du climat. Cette présentation propose un survol de quelques applications récentes. Finalement, après un bref résumé des défis rencontrés, nous tenterons de donner quelques directions sur les développements futurs. 

L’introduction des nouvelles méthodes d’intelligence artificielle dans le domaine de l'apprentissage machine bouleverse de plus en plus des approches classiques. Depuis une dizaine d'années, cette révolution affecte et métamorphose de nombreuses applications reliées à l'analyse et à l'interprétation de tous les types d'imagerie. En observation de la Terre, de nombreuses tâches ardues qui nécessitaient auparavant les efforts d'experts en photo-interprétation peuvent maintenant être complètement automatisées. Dans certains cas, les résultats fournis par des réseaux de neurones profonds sont même meilleurs que ceux de nombreux experts. Dans cette conférence, nous survolerons les types de problèmes qui sont actuellement les mieux maîtrisés en analyse d'images, tout en identifiant les diverses solutions proposées en apprentissage automatique. Nous discuterons ensuite de quelques aspects intéressants des modèles convolutifs profonds appliqués aux problèmes d'observation de la Terre. Enfin, nous survolerons quelques axes de recherche qui devraient bientôt permettre de repousser encore plus loin les limites des solutions d'aujourd'hui.

horoma AI présentera une revue de sa collaboration avec NorthStar Ciel & Terre pour le développement de solutions d’agriculture de précision. En utilisant l'IA, les données hyperspectrales ainsi que les capacités de fusion de données de NorthStar, ce partenariat vise à détecter les anomalies de culture.  Le produit veut offrir une mesure de la productivité et de la santé des cultures pour permettre une meilleure profitabilité et de meilleurs rendements tout en maintenant des pratiques agricoles durables.

La flavescence dorée (FD) est une maladie de la vigne qui affecte les vignobles européens. Elle génère beaucoup d’inquiétudes dans le secteur viticole du fait de sa diffusion rapide et de son caractère irréversible. Malgré des mesures de lutte importantes, la maladie continue de se propager. Les prospections partielles voire inexistantes résultant en un arrachage incomplet des vignes contaminées sont notamment mises en cause. L’objectif de ce projet est de développer un outil de détection automatique de la FD qui pourrait par la suite être déployé pour réaliser des prospections automatisées. Pour cela, nous nous sommes servis de techniques d’apprentissage profond, et plus particulièrement de réseaux pleinement convolutifs.  En plus de présenter les résultats obtenus avec le modèle développé, nous abordons les questions de sa robustesse à la réalité du milieu applicatif et de sa capacité d’utilisation sur plusieurs cépages. Pour ce faire, nous utilisons deux techniques de visualisation : Guided Grad-Cam et UMAP, qui nous permettent d’identifier des pistes d’amélioration de notre modèle afin d’aboutir à la création d’un outil de prospection au service des viticulteurs.  

Malgré les performances impressionnantes des CNNs en analyse d’images d’OT, de récentes publications soulignent leurs lacunes de généralisation lorsqu’appliqués à de nouvelles régions géographiques jamais ou très peu vues lors de l’entraînement. Le champ de recherche essayant de résoudre ce problème est celui de l’adaptation de domaine (DA, domain adaptation). Récemment, une nouvelle méthode de DA basée sur l’apprentissage adverserielle nommée Adversarial Discriminative Domain Adaptation (ADDA) s’est attaquée à ce problème avec succès. Peu après, une amélioration (semi-ADDA) fut proposée pour rendre le processus semi-supervisé. Or, bien que les performances atteintes par ADDA et semi-ADDA soient supérieures à celles des autres méthodes de DA, la tâche visée en est une de classification. Dans le cadre du travail présenté ici, les architectures ADDA et semi-ADDA sont modifiées pour passer de la classification à la détection d’objets, et ce en remplaçant l’architecture de classification de ADDA par l’architecture de détection d’objets Faster R-CNN. L’adaptation de domaine est effectuée pour deux classes des jeux de données xView (domaine source) et GeoImageNet (domaine cible). Les images de ces jeux de données ne proviennent ni du même territoire, ni du même capteur, ce qui constitue une tâche complexe de DA. Les résultats montrent l’efficacité de ADDA et semi-ADDA, même lorsqu’étendus à la détection d’objets, améliorant significativement les performances sur le domaine cible.

Les données lidar sont utilisées dans la planification urbaine et l’aide à la décision en situation d’urgences. L’importance de ces données mène à une croissance dans la disponibilité des nuages de points issus de lidar aéroporté. Pour en permettre l’analyse, il est nécessaire de faire la classification de ces données, soit d’associer une classe d’occupation du sol à chacun des points. Pour certaines classes d’occupation du sol, les algorithmes de classification automatique ne parviennent pas à obtenir des résultats dont la qualité se rapproche de ce qu’une personne qualifiée peut obtenir. Ce faisant, cette étape nécessite une intervention manuelle importante afin de corriger les résultats des processus automatiques, ce qui augmente le coût de valorisation de ces données. Les caractéristiques des nuages de points varient énormément selon les spécifications d’acquisition, le capteur utilisé et les conditions de la zone à couvrir au moment de l’acquisition, ce qui augmente la difficulté d’automatisation de l'étape de classification. Cette recherche vise à vérifier l’applicabilité d’une méthode de classification basée sur l’apprentissage profond, à des nuages de points issus du lidar aéroporté dans différents contextes, de superficies importantes (>200km²). Les résultats ont été évalués quantitativement et qualitativement sur la capacité à classifier les points de bâtiments, de végétation et de plan d’eau, sur des sites d'études au Québec et au Nouveau-Brunswick.

Plus de cinquante ans après les premiers pas de l’homme sur la Lune, la conquête de l’espace fait de plus en plus rêver l’industrie spatiale privée. En Février 2018, SpaceX change la donne en propulsant dans l’espace avec succès le Falcon Heavy, la fusée la plus puissante au monde. Et avec leur projet Starlink, ils visent à mettre sur orbite une constellation de plusieurs milliers de satellites de petite taille. Leur objectif : tester une technologie capable de fournir une connexion Internet ultra-rapide partout dans le monde. Will Marshall, le patron de Planet Labs de la Silicon Valley, est maintenant capable de photographier l’intégralité de la planète chaque jour avec une constellation de 300 nanosatellites. La révolution des nanosatellites « CubeSat » imaginés par l’Université de Standford, CA à des fins scientifiques et pédagogiques ouvre des perspectives encore inimaginables il y a 20 ans. Le nombre de ces CubeSats en orbite croit de manière vertigineuse, lancés à moindre coûts avec un nouveau type de mini-fusées dédiées. Cette explosion, sans précédent, de projets de développement sociétale, dans la course à la « souveraineté de l’espace » et de suivi de la Planète Terre à partir de l’espace soulève de nombreux problèmes (sécurité, durabilité, débris spatiaux, pollution lumineuse de l’espace). Une nouvelle éthique internationale qui engagerait les États, les agences spatiales et tous les acteurs privés de l’espace s’impose urgemment.

La technologie moderne d'observation de la Terre (OT) a fourni l’occasion unique d'accroître une compréhension détaillée des diverses caractéristiques du système terrestre. En particulier, les systèmes de télédétection optique et radar collectent des images et des données multi-temporelles, multi-spectrales et multi-fréquences avec une résolution spatiale croissante. Ces données exceptionnelles présentent à la fois des opportunités et des défis. De nos jours, quatre grandes révolutions technologiques modifient le paysage de l'OT: les données massives, l’informatique haute performance en nuage, la technologie open-source et l’intelligence artificielle et l’apprentissage automatique. En d'autres termes, un changement de paradigme évident dans la technologie et l'analyse de l'OT se produit. Par conséquent, il est temps de tirer parti de ces technologies innovantes pour faire progresser nos connaissances, surveiller notre planète dynamique, et relever les défis environnementaux. Cette présentation comportera deux volets principaux. La première partie couvre brièvement quelques concepts de base et de nouvelles avancées dans l'analyse des données massives d’OT. La deuxième partie présente les résultats d'un nouveau projet de collaboration à l'échelle nationale qui a récemment été réalisé: la première génération de la carte d'inventaire des terres humides du Canada à une résolution spatiale de 10 m en utilisant les données Sentinel 1 et 2 sur la plate-forme de Google Earth Engine.

La mission Sentinel-2 (S2) a l’objectif d’assurer des acquisitions d'images multi-spectrales à haute résolution spatiale alliées à une fréquence de revisite élevée pour le suivi spatio-temporel de la surface, incluant les paramètres de la végétation. Simplified Level 2 Product Prototype Processor (SL2P), une collection de réseaux de neurones artificiels formés par des simulations de la canopée représentatives à l'échelle globale, est proposé pour estimer les paramètres biophysiques de la végétation à partir des données S2. 

L’objectif de ce travail est d’évaluer l’incertitude des produits des paramètres de la végétation obtenus avec les images S2 et SL2P en zone agricole située aux Prairies Canadiennes et proposer une approche de régularisation des produits avec Apprentissage Actif : une base de données de calibration locale peuplée par les estimations valides d’un paramètre donné obtenues avec SL2P et des indices spectraux sélectionnés avec Least Absolute Shrinkage and Selection Operator regression. 

Les mesures in-situ de la campagne de terrain Soil Moisture Active Passive Validation Experiment 2016 sont utilisées pour la validation. 

Les résultats confirment que l’incertitude des estimations des paramètres de la végétation obtenues avec les images S2 et SL2P en zone agricole satisfait les exigences de la mission, et que la régularisation permet de réduire les valeurs aberrantes obtenues dans les produits de SL2P et d’augmenter la fraction des estimations valides.

Le Centre de cartographie et d’observation de la Terre (CCCOT) est l’agence de cartographie nationale du Canada.  Depuis plus d’un siècle, le CCCOT recueille et met en valeur une vaste gamme de données géospatiales dites “fondamentales” : bâtiments, routes, eau de surface, etc. Dans cette présentation, nous aborderons le rôle que les agences cartographiques nationales pourraient avoir quant aux données dans un contexte où les données géospatiales, qui fournissent une information spatio-temporelle essentielle à la prise de décision, déferlent sur les organisations en raison du nombre croissant de capteurs satellitaires et aéroportés.  Les questions éthiques qui se posent dans l’exercice même de l’exploitation des données, dans une optique de collaboration avec d’autres organisations notamment, seront également discutées.

Depuis plusieurs décennies, la télédétection vient en aide aux organisations responsables de la cartographie du territoire comme le Centre de cartographie et d’observation de la Terre (CCCOT) du gouvernement du Canada.  La responsabilité initiale du CCCOT, soit la production de cartes topographiques, s’est transformée pour devenir, au fil des avancées technologiques en télédétection et en informatique, la mise à jour des données géomatiques fondamentales du Canada.  Dans la présente ère de mégadonnées et d’incertitude climatique, l’heure n’est plus à la production de contenants statiques, comme des cartes, mais plutôt à la production de contenu géomatique dynamique. Dans ce contexte, le CCCOT s’intéresse depuis quelques années aux techniques d’extraction basées sur l'apprentissage profond (AP) qui, contrairement aux systèmes experts, permettent une approche plus holistique du problème.  Après une brève rétrospective des techniques d’extraction d’information géospatiale utilisées au CCCOT, nous aborderons les derniers développements en matière d’extraction automatique d’information géospatiale à partir de données matricielles, notamment le logiciel libre geo-deep-learning et l’environnement de mégadonnées mis en place par le CCCOT.

La surveillance des états de surface du réseau routier est un élément clé pour l’aide à la décision en entretien hivernal et pour documenter des interventions d’épandage. En plus d’une analyse adéquate des prévisions et des observations météorologiques, il est essentiel de savoir si la surface est sèche, mouillée, enneigée ou glacée. Cette information permet d'anticiper une détérioration des conditions de circulation. Plusieurs capteurs de détection des états de surface sont actuellement sur le marché. Ils sont basés sur une technologie d'analyse du rayonnement infrarouge ou proche infrarouge de la surface, mais ces capteurs sont dispendieux et nécessitent plusieurs points de mesures sur la surface. Notre approche consiste à mettre en place une stratégie innovante pour la reconnaissance des états de surface en limitant les inconvénients des solutions actuelles. Nous utilisons des nano-ordinateurs récents pour y intégrer plusieurs capteurs à un coût réduit pour l’acquisition des données images, sonores et météorologiques. Ces données sont analysées en temps réel par intelligence artificielle et fusionnées pour améliorer la reconnaissance des états de surface.