Publié ago 10 hours
L'intelligence artificielle est-elle capable d’apprendre non seulement à quoi ressemble un paysage, mais aussi comment il évolue et réagit à son environnement ? Le projet DEEPVEEG s'est penché sur cette question en s'attaquant à trois défis majeurs : générer des images satellites visuellement cohérentes, s'assurer qu'elles soient également écologiquement plausibles, et apprendre à l'IA à saisir la manière dont les paysages évoluent au fil du temps. Ces résultats mettent en évidence à la fois le potentiel de l'IA générative pour l'observation de la Terre et les défis qui restent à relever avant que l’IA ne soit en mesure de nous aider à anticiper de manière fiable les changements au sein des écosystèmes.
Les objectifs du projet DEEPVEEG
Le changement climatique peut modifier le rythme de croissance des plantes, la manière dont les paysages se remettent à la suite d'une sécheresse et les zones où les cultures restent productives. Les observations satellitaires nous permettent de suivre ces changements à l'échelle mondiale. Mais pouvons-nous aller plus loin et utiliser les données satellitaires acquises dans le passé pour étudier comment les écosystèmes pourraient réagir aux conditions environnementales futures?
Le projet DEEPVEEG a cherché à déterminer si l'intelligence artificielle pouvait contribuer à combler cette lacune. Les chercheurs ont développé des modèles d'IA qui associent l'imagerie satellite à des données climatiques et environnementales afin de générer des représentations plausibles de l'aspect qu'un paysage pourrait présenter dans des conditions données.
Il s'agit d'une forme d'IA générative : une intelligence artificielle qui apprend des modèles et des relations à partir de données existantes et les utilise pour générer de nouveaux exemples. Cependant, plutôt que de se contenter de créer des images satellites d'aspect réaliste, DEEPVEEG a cherché à déterminer si ces modèles pouvaient mettre en évidence des relations significatives entre les conditions environnementales et la végétation. À terme, de telles approches pourraient contribuer à des applications allant de la surveillance de la végétation et des cultures à l'évaluation des risques climatiques.
Apprendre à l’Intelligence artificielle comment les paysages évoluent
L'entraînement de ces modèles ne se limite pas à de vastes collections d'images satellites. L'IA doit également connaître les conditions environnementales qui ont accompagné les changements qu'elle observe.
L'équipe du projet a donc développé GeoClimaData (fig. 1), un ensemble de données associant des séquences d'images Sentinel-2 à des informations climatiques et environnementales correspondant aux mêmes lieux et aux mêmes dates. Plusieurs années d'observations ont été regroupées dans des cubes de données locaux, combinant des séries chronologiques satellitaires avec des données météorologiques et des informations statiques telles que les caractéristiques du relief.
Mais produire une image d'aspect réaliste ne suffit pas. Un paysage généré par l'IA doit également avoir un sens sur le plan écologique. Les chercheurs ont donc testé différentes méthodes pour intégrer des contraintes biophysiques dans leurs modèles. Il s'agissait notamment de conditionner l'IA en fonction de variables environnementales et d'adapter la manière dont les modèles sont entraînés afin de prendre en compte des propriétés pertinentes sur le plan écologique comme les caractéristiques de la végétation. Les expériences ont confirmé l'importance des informations biophysiques pour passer d'images simplement convaincantes sur le plan visuel à des représentations qui soient également plausibles d'un point de vue écologique.
Le facteur temps a ajouté une difficulté supplémentaire. Fournir des informations sur l’évolution passée d’un paysage améliorait généralement les performances du modèle. Mais la manière dont les informations météorologiques étaient présentées à l’IA s’est avérée cruciale. Lorsque les données climatiques étaient trop fortement agrégées dans le temps, des variations importantes étaient perdues et les performances du modèle pouvaient même en être affectées. Le choix du contexte temporel et du niveau de détail appropriés constitue donc un élément essentiel pour enseigner à l’IA comment les écosystèmes évoluent.
Le potentiel de ces techniques d'IA va au-delà de la modélisation des changements écosystémiques. Dans le cadre de travaux connexes, l'équipe a démontré que l'IA permettait de reconstituer des informations hyperspectrales détaillées à partir d'observations satellitaires plus simples. À terme, ces techniques pourraient fournir des informations supplémentaires pour des applications telles que l'agriculture de précision et le suivi des cultures.
Figure 1: Présentation du jeu de données GeoClimaData, illustrant la répartition des sites d'échantillonnage et la manière dont les séries chronologiques multispectrales Sentinel-2 sont combinées avec des données environnementales statiques (telles que l'altitude) et des séries chronologiques climatiques pour chaque site.
Le défi posé par des données satellitaires réelles
Cette étude a également révélé un obstacle majeur. De nombreux modèles d’IA générative classiques fonctionnent mieux sur des séquences relativement courtes et régulièrement espacées. Or, les données satellitaires à disposition sont rarement aussi ordonnées : elles peuvent s’étendre sur plusieurs années et être acquises à des fréquences irrégulières dues aux nuages, aux calendriers d’acquisition des données satellitaires ou à des observations manquantes.
En matière d'IA, ces lacunes rendent difficile l'établissement d'un lien entre les événements environnementaux et les réactions des écosystèmes qui se produisent bien plus tard. Des erreurs peuvent également s'accumuler à mesure que les modèles génèrent des séquences de plus en plus longues.
Pour remédier à ce problème, l'équipe s'est penchée sur les modèles de type « transformer ». Ces modèles permettent de comparer différents instants au sein d'une séquence et d'apprendre quelles observations antérieures sont les plus pertinentes. Leur capacité à relier des informations sur des périodes plus longues et à traiter avec plus de souplesse les observations irrégulières les rend particulièrement prometteurs pour les séries chronologiques issues de l'observation de la Terre.
De l'observation du changement à son anticipation
Les résultats du projet ont suscité l'intérêt tant des chercheurs que des agences environnementales. Le prochain défi consiste à démontrer dans quels domaines ces méthodes peuvent apporter une valeur ajoutée évidente pour la surveillance environnementale opérationnelle et la prise de décision.
DEEPVEEG ne propose pas encore de système capable de prévoir de manière fiable l'évolution future des écosystèmes. Il marque toutefois une avancée importante vers l'utilisation de l'IA pour explorer les réactions plausibles des écosystèmes face à l'évolution des conditions environnementales (fig. 2).
Figure 2: Analyse des performances des prévisions de séries chronologiques, montrant que le modèle Transformer est capable de reproduire à la fois les structures spatiales et les variations irrégulières à partir des séries chronologiques historiques de Sentinel-2.
En combinant les observations satellitaires, les données climatiques et l'intelligence artificielle, DEEPVEEG ouvre la voie à un avenir où l'observation de la Terre ne se contentera plus de consigner les changements environnementaux a postériori. Elle pourrait également nous aider à anticiper ce qui pourrait se produire dans le futur, en fournissant de nouvelles données pour étayer la planification environnementale et l'adaptation au changement climatique.
Partenaires du projet
KU Leuven: Stef Lhermitte - Enrique Apolo Apolo - Wouter Strauven