La GeoAI, ou intelligence artificielle géospatiale, associe les méthodes d'intelligence artificielle aux données géographiques afin de mieux analyser les phénomènes spatiaux. Combinée à la télédétection satellitaire, elle permet d'automatiser certaines classifications, de détecter les changements du territoire et de construire des modèles prédictifs.
1. Quelles données utiliser ?
Un projet de cartographie environnementale peut mobiliser plusieurs sources de données :
Images Sentinel-2 pour les propriétés spectrales de la surface.
Images Landsat pour l'analyse des changements à long terme.
Modèles numériques de terrain pour les caractéristiques topographiques.
Données météorologiques et climatiques pour étudier les contraintes environnementales.
Observations de terrain pour entraîner et valider les modèles.
La combinaison de ces sources nécessite une harmonisation des systèmes de coordonnées, des résolutions spatiales, des périodes d'acquisition et des unités de mesure.
2. Choisir un modèle d'intelligence artificielle
Plusieurs algorithmes peuvent être employés selon l'objectif.
Random Forest : méthode d'ensemble souvent utilisée pour classifier l'occupation du sol à partir de variables spectrales et environnementales.
Support Vector Machine (SVM) : algorithme adapté à de nombreux problèmes de classification supervisée, notamment lorsque les données d'entraînement sont limitées.
Réseaux de neurones convolutifs (CNN) : modèles capables d'exploiter les structures spatiales des images, notamment pour la segmentation et la reconnaissance d'objets.
Modèles de séries temporelles : méthodes permettant d'étudier les trajectoires de végétation et de prévoir certaines évolutions lorsque les données et les hypothèses le permettent.
3. Mettre en œuvre un projet GeoAI
Un flux de travail reproductible comprend les étapes suivantes :
Définir la question scientifique et la variable à prédire.
Collecter et prétraiter les données géospatiales.
Construire un jeu de données d'entraînement avec des observations de référence.
Séparer les données d'entraînement, de validation et de test.
Entraîner plusieurs modèles et ajuster leurs paramètres.
Évaluer les résultats à l'aide d'indicateurs adaptés.
Produire une carte des prédictions et documenter les incertitudes.
Une attention particulière doit être accordée à la validation spatiale : des échantillons voisins peuvent être très similaires, ce qui risque de surestimer les performances lorsque les données sont réparties aléatoirement entre entraînement et test.
4. Applications environnementales
La GeoAI peut notamment contribuer à :
La classification de l'occupation et de l'utilisation du sol.
La détection des zones affectées par les incendies.
Le suivi des sécheresses et du stress hydrique.
La cartographie des zones sensibles à l'érosion.
L'analyse des changements d'occupation du sol.
La modélisation de certains indicateurs spectrales.
Conclusion
L'association de la télédétection, des SIG et de l'intelligence artificielle ouvre de nouvelles perspectives pour l'analyse environnementale. Toutefois, la qualité d'un modèle GeoAI dépend avant tout de la pertinence des données, de la conception de la validation, de la prise en compte des incertitudes et de la reproductibilité des traitements.
Mots-clés : GeoAI, intelligence artificielle, télédétection, machine learning, Sentinel-2, cartographie environnementale.
