Les informations sur l’utilisation et la couverture des terres (LULC) sous-tendent les études sur la science du climat, la gestion des catastrophes, la sécurité alimentaire et la protection des écosystèmes. Les progrès de l’imagerie satellitaire ont amélioré la résolution, mais la cartographie haute résolution de la couverture terrestre se heurte encore à des obstacles majeurs.
Les méthodes traditionnelles d’apprentissage automatique ne parviennent souvent pas à capturer les structures urbaines fines, tandis que les approches d’apprentissage profond nécessitent d’énormes quantités de données étiquetées, qui sont laborieuses et coûteuses à produire. Les méthodes et les modèles de fondation faiblement supervisés sont prometteurs, mais peinent à être précis et transférables dans divers environnements urbains. En raison de ces défis, il existe un besoin urgent de développer de nouvelles stratégies permettant de réduire les coûts d’annotation tout en garantissant une cartographie submétrique fiable à grande échelle.
Une équipe de l'Université de Wuhan et de l'Institut d'arpentage et de cartographie de Zhejiang Mingzhou a développé une nouvelle solution. Leur étude, publiée dans le Journal de télédétectionprésente le moteur « d'étiquetage initial et étendu » (IEL) et présente EcoVision, un produit de couverture terrestre à résolution submétrique couvrant 42 des plus grandes villes de Chine. En intégrant des images haute résolution, des données collaboratives et des modèles d'apprentissage profond, les chercheurs ont obtenu un ensemble de données sans précédent sur la couverture terrestre de 0,5 mètre avec une précision de 83,6 % sur plus de 23 millions de pixels de validation.
Le moteur d'annotation IEL fonctionne en deux étapes. Premièrement, il génère des « étiquettes de semences » fiables grâce à une stratégie de vote pondérée basée sur les priorités, réconciliant plusieurs produits historiques de couverture terrestre avec différentes résolutions et systèmes de classification. Deuxièmement, il étend ces étiquettes de manière itérative à l’aide d’un réseau de segmentation sémantique, affinant progressivement la précision au travers de cycles répétés jusqu’à ce que les performances du modèle se stabilisent. Cette approche hybride permet de surmonter les formats incompatibles, le désalignement des pixels et la rareté des étiquettes.
En appliquant l'IEL, l'équipe a produit EcoVision, qui classe les zones urbaines en huit catégories : bâtiments, routes, autres surfaces imperméables, herbe/arbustes, arbres, sol, agriculture et eau. La validation a porté sur 2 385 patchs d'images couvrant 23 850 000 pixels dans 42 villes, offrant une précision globale de 83,6 %. Des catégories clés telles que les bâtiments ont obtenu un score F1 de 90 %, tandis que les routes et l'agriculture ont dépassé 83 %.
Comparé à cinq produits de pointe, dont Hi-ULCM et SinoLC-1, EcoVision offrait une résolution supérieure et des détails plus riches, notamment en distinguant les surfaces imperméables et en extrayant les parcelles agricoles. Les comparaisons visuelles ont mis en évidence la capacité d'EcoVision à délimiter avec précision les routes obscurcies par les ombres et à capturer de fines mosaïques écologiques urbaines. Cela en fait le premier produit LULC submétrique à grande échelle disponible pour la Chine, désormais rendu public sous forme d'ensemble de données ouvert.
« EcoVision représente une étape importante dans la télédétection urbaine », a déclaré l'auteur principal Encheng Zhang. « En éliminant le goulot d'étranglement de l'étiquetage manuel, notre moteur IEL permet la création de cartes de couverture terrestre haute résolution à des échelles auparavant inaccessibles. La précision et le détail d'EcoVision nous permettent de voir les villes chinoises comme des systèmes écologiques dynamiques, et non comme de simples structures bâties. protection des écosystèmes. »
La version d'EcoVision fournit un outil inestimable pour plusieurs domaines. Les urbanistes peuvent l’utiliser pour évaluer la répartition des espaces verts et l’expansion des infrastructures, tandis que les scientifiques environnementaux peuvent étudier les îlots de chaleur, le stockage du carbone et la dynamique de l’eau. Les décideurs politiques peuvent appliquer l’ensemble de données à l’aménagement du territoire, aux stratégies d’adaptation au climat et au suivi des objectifs de développement durable.
La disponibilité libre de données sur la couverture terrestre à 0,5 mètre dans 42 grandes villes crée également des opportunités pour les applications d'apprentissage automatique, telles que la modélisation de la croissance urbaine et l'évaluation des risques de catastrophe. En fin de compte, EcoVision démontre comment l’annotation innovante basée sur l’IA peut libérer tout le potentiel de l’imagerie haute résolution pour façonner des villes résilientes et durables.
