213 - L’observation de la Terre : en première ligne pour faire face aux défis environnementaux et sociétaux

Le Φ-lab de l'ESA vise à accélérer l'avenir de l'observation de la Terre (OT) en fonctionnant comme un "catalyseur" pour les idées innovantes et les technologies transformatrices de l'OT. AI for Earth Observation (AI4EO) se concentre sur l'exploitation de la puissance de l'intelligence artificielle (IA) avec la grande quantité de données d'OT maintenant disponibles, et c'est l'initiative du Φ-lab d'exploiter le grand potentiel de l'IA qui est encore largement inexploré.

Si aujourd'hui le nouvel élan de l'AI4EO est principalement lié à la vision par ordinateur appliquée à l'imagerie satellitaire à haute résolution, il existe de nombreux autres domaines pour les sciences de la Terre, la prédiction et l'analyse des big data qui pourraient bénéficier de l'IA. En particulier, l'apprentissage profond pousse l'IA à de nouveaux niveaux dépassant les performances humaines. Cet exposé donnera un aperçu des succès et des défis actuels de l'IA pour les applications spatiales et présentera quelques cas d'utilisation méthodologique qui mèneront à des applications d'observation de la Terre ayant un impact, de l'apprentissage auto-supervisé à l'IA avancée.

Du fait de la volumétrie qu’elles représentent, les données LiDAR sont actuellement stockées et traitées par tuile. Ceci tient principalement au fait que le traitement de ces données se fait actuellement sur de simples postes de travail et ne tire pas bénéfice de la scalabilité horizontale que procure l’infonuagique (cloud computing). Ainsi, le traitement de volumes de données LiDAR équivalent à celui d’une ville ou d’un bassin versant est difficile voire impossible, même si de telles analyses sont requises. Elles imposent de devoir traiter des recollements entre les tuiles, celles-ci étant traitées les unes après les autres. Le traitement des données LiDAR fait donc face au même défi que les bases de données géospatiales dans les années 90, où celles-ci étaient encore découpées en feuillets cartographiques. Les systèmes de gestion de données spatiales ont permis de changer de paradigme et de traiter le territoire non plus en feuillet (ou tuile) mais comme un continuum (une base de données).

L’objet de la présentation est ici d’introduire des travaux réalisés au CRDIG et concernant la conception d’un engin de lac de données géospatiales capables de gérer une telle volumétrie de données et son traitement performant.

Le dénombrement de monticules de plantation est un processus crucial lors de la planification du reboisement de peupliers hybrides chez Domtar. En effet, des centaines de milliers de monticules sont créés chaque année et un jeune arbre est planté sur chacun d’entre eux. Puisque ces opérations impliquent le déplacement et la plantation d’un grand volume d’arbres, un dénombrement précis et une méthode reproductible pour y arriver sont nécessaires. La méthode traditionnellement utilisée consistait à une photo-interprétation et une extrapolation. La technique développée dans ce projet fait appel à l’apprentissage profond afin d’atteindre ces objectifs.

Pour ce faire, des orthomosaïques générées à partir d’images acquises par drone ainsi que leur modèle numérique de surface correspondant ont été utilisés. Le rôle de l’algorithme développé étant uniquement la détection des monticules par segmentation d’image, un deuxième algorithme de vision par ordinateur a été développé pour dénombrer les monticules détectés. Cette méthode a permis d’atteindre une précision globale de détection de 95,5 %. Finalement, une interface graphique incorporant ces outils et permettant leurs utilisations de façon intuitive a été implémentée.

Les jumeaux numériques sont de plus en plus utilisés à des fins d'urbanisme ou de planification. Ceux-ci utilisent entre autres des données issues de capteurs LiDAR. La grande quantité de données acquise par ce type de capteur rend la plupart des traitements coûteux en termes de temps de calcul et d'infrastructure matérielle. Dans cette présentation, nous nous intéressons à la mise en place d'un algorithme de simplification de nuages de points LiDAR permettant de diminuer la quantité d'information stockée sans perdre la qualité géométrique initiale. Pour cela, nous proposons un algorithme de segmentation à partir de découpes de graphes, qui approxime de façon itérative un nuage de points par un ensemble de primitives géométriques simples (plans, sphères, cylindres et cônes). Nous montrons que cette approche est rapide, préserve la géométrie locale des données et est capable de produire des modèles simplifiés d'objets variés (voitures, arbres, etc.) comme de scènes urbaines complètes.

La dernière décennie a été particulièrement active au niveau du lancement de capteurs d’observation de la Terre (OT). En parallèle à cet essor soutenu, nous avons pu observer une tendance à la démocratisation de l’accès aux données et aux capacités de traitement. Il en résulte des pétabytes d’informations géospatiales (e.g. programmes Copernicus et Landsat) et climatiques (e.g. Réanalyses ERA-5 et DayMet) stockés dans des entrepôts de données et rendus disponibles au grand public via l’infonuagique et des plateformes d’analyse comme Google Earth Engine et Microsoft Planetary Computer.

Ces outils émergeants présentent un énorme potentiel stratégique pour l’étude de la cryosphère en permettant d’automatiser l’accès aux données, les prétraitements, les analyses géospatiales et statistiques ainsi que la présentation des données. De plus, ces plateformes, contrôlées via un interface applicatif de programmation (API) simple, donnent accès à des infrastructures de calcul de haute-performance (HPC) et évitent aux usagers les aléas du stockage et du traitement local, souvent gourmand en ressources et en temps-machine.

Pendant cette présentation, outre une discussion du potentiel d’application des plateformes d’infonuagique géospatiale dans le cadre de l’étude de la cryosphère, un exemple d’application pour l’étude des glaces marines sous Google Earth Engine, développé dans le cadre du projet QAUJJIKAUT (Alerte, en Inuktitut) sera présenté et des perspectives d’applications abordées.

Les données d’observation de la terre permettent la modélisation d’éléments naturels comme les forêts, les cours d’eau et les formes de relief. Il s’agit souvent d’objets difficiles à délimiter cependant les données massives limitent les interventions manuelles. Nous présentons deux projets de recherche traitant de la construction de réseaux hydrographiques et de la classification de formes de relief.

Le premier projet propose une approche d’extraction des réseaux hydrographiques en forêt partant de nuages de points lidar bruts jusqu’à l’identification des cours d’eau. Nous présentons d’abord une approche de classification des points lidar en forêt. Ensuite, nous présentons une méthode de construction des réseaux hydrographiques à partir des points au sol. Afin d’éviter les opérations altérant le modèle de terrain, une approche de calcul distribué s’appuyant sur la détection des talwegs est mise en place.

L’objectif du deuxième projet est d’extraire des formes de relief. Les formes n’étant pas précisément délimitées, l’approche est basée sur la détection de saillances plutôt que sur une segmentation du terrain. Afin de faciliter la recherche de formes, nous introduisons le concept de géosystème. Le géosystème est modélisé à partir de ses éléments structurants définis par l’expert. Le modèle est implanté dans une base de données graphe intégrant à la fois le modèle conceptuel et les données spatiales. Les cartes de géosystèmes sont ensuite générées à l’aide de requêtes.

L'objectif général de ce projet de recherche est d’effectuer la segmentation sémantique de nuages de point LiDAR dans des environnements urbains à grande échelle en exploitant des jeux de données non étiquetés. Les réseaux de neurones profonds (RNP) récemment proposés se sont concentrés sur l'élaboration d’une architecture performante, alors que les résultats obtenus par certains RNPs montrent que la façon dont les données sont présentées à l'entrée est également importante. C'est donc la raison d'être de la première phase de ce projet de recherche qui vise à fournir une démonstration objective de la sensibilité du réseau à la préparation des données. La deuxième phase de ce projet de recherche aborde le coût élevé et les défis de l'étiquetage 3D des nuages de points. À cette fin, nous proposons une nouvelle méthode basée sur une approche d'apprentissage semi-supervisée impliquant deux RNPs, l'enseignant et l'élève, qui s’entraineront mutuellement selon un processus itératif. La conférence proposée présentera la méthodologie du projet, les résultats de la phase 1 et les progrès récents de la phase 2.

Au cours de la dernière décennie, la télédétection appliquée à l’observation de la Terre a connu un essor fulgurant lié à la combinaison de plusieurs avancées technologiques. La multiplication des plateformes d’acquisition de données, qu’elles soient terrestres, aériennes ou satellitaires, permettent l’accès à des données massives inédites, tant par leurs résolutions temporelles, spatiales que spectrales. En parallèle, le développement d’approches de traitement basées sur l’intelligence artificielle et plus particulièrement sur l’apprentissage automatique procure de nouveaux outils pour automatiser et extraire de l’information à partir de données de télédétection non conventionnelles et multi-sources. La télédétection de la biodiversité s’inscrit dans ce courant et pourrait marquer un tournant majeur dans notre capacité à appréhender les variations de composition, structure et fonction des systèmes vivants, et ce aux différents niveaux allant de l’organisme aux écosystèmes. Cette présentation abordera le potentiel, les défis et perspectives de ces avancées méthodologiques pour la caractérisation de la biodiversité d’un point de vue conceptuel et en s’appuyant sur différents exemples de projets de détection faunique et de caractérisation de la végétation.

L'ONU a déclaré que les changements climatiques, induit par une augmentation des émissions de gaz à effet de serre, était le problème déterminant de notre époque. Les modèles climatiques sont les outils les plus avancés à notre disposition pour prédire les impacts futurs de l'évolution de l'atmosphère. La plus grande source d'incertitude face à ces projections est le comportement des aérosols, des nuages, des précipitations ainsi que leurs interactions et leurs rétroactions radiatives.

La caractérisation des aérosols, les nuages, la convection et la précipitation ont été identifiées par la NASA comme focus d'un nouveau système de télédétection de l'atmosphère (‘’AOS’’ pour ‘’Atmospheric Observing System’’). L'agence spatiale canadienne (ASC), le CNES, et JAXA seront partenaires de la NASA avec des capteurs sur les deux orbites prévues (le plateforme AOS-P1en orbite polaire et les plateformes AOS-I1 et AOS-I2 sur une orbite inclinée). Une douzaine de capteurs actifs et passif, à des longueurs d’onde du UV au radar seront lancés sur les plateformes AOS à partir de 2028. Un survol des capteurs de l’AOS et leurs applications sera présenté.

Cette conférence permettra aux participants de prendre connaissance du potentiel de la télédétection par drone dans de multiples champs d’application. Elle présentera l’état du développement dans le domaine de la télédétection par drone. Le conférencier fera également état des travaux menés par l’équipe du Laboratoire de télédétection par drone de l’INRS. Plusieurs exemples d’applications de cette nouvelle technologie seront présentés dans des domaines variés (agriculture de précision, environnement, foresterie, mines, infrastructures, sécurité publique, etc.). Enfin, le conférencier fera partager son expérience à propos du déroulement de projets d’utilisation de drones. Il amènera les participants à réfléchir aux facteurs à considérer, à la définition des besoins, à la détermination des instruments et des paramètres appropriés, et au montage technique du projet.

La Constellation RADARSAT, qui est une évolution du Programme RADARSAT, a pour objectif d'assurer la pérennité des données, d'augmenter l'utilisation opérationnelle des radars à synthèse d'ouverture (SAR) et d'améliorer la fiabilité des systèmes. La configuration à trois satellites offre des réobservations journalières du vaste territoire et des approches maritimes du Canada, ainsi qu'un accès quotidien à 90 % de la surface terrestre, qui génère plus de 250 000 images par année.

Les solutions offertes par la MCR forment trois grandes catégories: A) surveillance maritime (surveillance des glaces, des vents, de la pollution par les hydrocarbures et des navires); B) gestion des catastrophes (atténuation, avertissement, intervention et rétablissement); et C)surveillance des écosystèmes (agriculture, milieux humides, foresterie et surveillance des changements en zones côtières).

De plus, tous les produits d’image de la MCR, sont archivés et mis à disposition afin de favoriser une plus grande utilisation des données au profit de secteurs comme l’industrie ou le milieu universitaire.

L’objectif de la présentation est de faire un survol de la Mission, d’illustrer les applications principales et d’expliquer comment accéder aux données.

La mission SWOT (Surface Water and Ocean Topography), dont le lancement est prévu pour la fin de l’année 2022, sera un tournant majeur pour l’altimétrie spatiale. L’instrument principal de la mission, un interféromètre radar en bande Ka (KaRin), permettra d’estimer le niveau de l’eau pour les lacs et milieux humides de 6 ha et plus, et pour les rivières d’une largeur de 100 m et plus. La précision verticale sera de 10 cm lorsque moyennée sur 1km². SWOT fournira également des mesures de la pente et de la largeur des rivières, ainsi que des estimations des débits dans les rivières et des variations des stocks d’eau dans les lacs. Les mesures SWOT permettront un meilleur suivi de la ressource en eau bénéficiant ainsi à une multitude d’applications en hydraulique et hydrologie que ce soit pour la modélisation des inondations ou l’estimation du bilan hydrique des lacs et réservoirs.

Compte tenu de la fréquence grandissante des inondations, les décideurs ont un besoin de plus en plus pressant de disposer d'outils permettant de prédire ou d'évaluer l'importance des inondations et leurs impacts sur la population. Le niveau d’endommagement d’un bâtiment dépend souvent du niveau de submersion. Aussi, est-il important de connaître l’élévation des points d’ouverture basse par lesquelles l’eau pourrait rentrer et la hauteur de premier plancher qui renseignerait de dégâts ne concernant pas seulement le sous-sol. Cette conférence présentera les travaux réalisés sur la caractérisation 3D des façades de bâtiments résidentiels pour répondre à cette problématique. La solution proposée se compose de trois phases appliquées à des nuages de points LiDAR terrestre mobile. La première utilise une approche de segmentation adaptative par croissance de régions pour extraire la boîte englobante 3D de la façade. La deuxième combine la détection de trous avec une technique de maillage pour extraire les boîtes englobantes 2D des ouvertures. La dernière phase adresse la discrimination des occlusions vis-à-vis des ouvertures, Les résultats obtenus démontrent que l'approche proposée obtient de bonnes performances malgré la multiplicité et la complexité des cas de problèmes (occlusions, angles de vue, …) qui peuvent apparaître dans de tels jeux de données.