Cartographier toutes les routes et tous les bâtiments de la Terre depuis l’espace

Malgré la disponibilité généralisée des services de cartographie, les couches clés de l’infrastructure humaine, comme les routes et les bâtiments, sont souvent absentes ou incomplètes. Et bien que les fournisseurs de données ouvertes et exclusives aient des couches riches avec des formes de bâtiments et des réseaux routiers cartographiés en détail pour certaines grandes villes, ce niveau de détail est géographiquement biaisé et n’est pas facilement accessible dans la plupart des zones rurales ou dans la majorité du monde en développement.

Même dans des villes comme San Francisco, il est difficile de tenir les cartes à jour en raison des changements constants. Accroître l’accès à ce type de données peut permettre aux gens de prendre des décisions et des mesures plus éclairées, qu’il s’agisse d’équipes d’intervention en cas de catastrophe, de planificateurs de la logistique des missions, de conservation des forêts ou de tout autre type d’utilisateur des cartes.

Heureusement, les nouvelles technologies nous permettent de produire des cartes plus complètes et plus rapidement qu’auparavant. En combinant l‘imagerie satellitaire, l’apprentissage en profondeur et l’informatique en cloud, plusieurs groupes ont publié des cartes de bâtiments ou de routes générées automatiquement sur un petit nombre de pays. Ici, nous allons nous plonger dans la technologie qui rend cela possible et montrer comment Planet l’a appliquée avec leurs nouveaux flux analytiques Planet.

Planet Analytic Feeds est un ensemble d’analyses de base qui peut être appliqué à l’imagerie de Planet afin d’extraire les caractéristiques et objets pertinents. Ces flux automatisent un ensemble d’opérations manuelles ou à forte intensité de main d’œuvre, y compris l’inspection de grands volumes d’images ou la construction de leurs propres modèles, permettant aux utilisateurs finaux de construire leurs solutions plus rapidement. Cela aide les gens à passer moins de temps à gérer et à traiter l’imagerie et à concentrer leurs ressources sur les défis d’ordre supérieur.

La constellation de satellites de surveillance de la planète a une couverture mondiale, des visites fréquentes et la résolution spatiale nécessaire pour identifier les bâtiments et les routes. Les images sont capturées et transmises par liaison descendante, puis transmises à un pipeline de traitement de données qui étalonne les différences entre les satellites et rectifie les pixels par rapport à une référence spatiale commune. Après avoir été classées en fonction de divers critères comme la nébulosité, la couverture de neige ou la résolution, les meilleures images d’une fenêtre temporelle choisie sont composées en mosaïques que nous pouvons analyser.

Grâce à l’accès à ces archives d’imagerie globale à l’échelle du pétaoctet et aux ressources informatiques en cloud prêtes à traiter ces images, nous pouvons appliquer des algorithmes pour extraire les caractéristiques d’intérêt des données et construire des cartes à l’échelle. Les architectures d’apprentissage en profondeur offrent des performances de pointe dans une variété de tâches de reconnaissance d’images et nécessitent un autre ingrédient clé : les étiquettes de formation. Pour cartographier les bâtiments et les routes, Planet a recueilli un large échantillon d’étiquettes pour ces caractéristiques à partir d’un ensemble diversifié de géographies et de saisons, à partir desquelles ils ont pu mesurer à l’échelle mondiale.

La clé de leur processus de développement a été une approche itérative équilibrant l’expérimentation de modèles et la collecte d’étiquettes, ce qui leur a permis d’atteindre leur objectif. Ils ont construit un cycle de rétroaction serré pour mesurer la performance de chaque nouveau modèle, identifier les pistes pour l’améliorer et exécuter la prochaine série d’expériences. Avec un tableau d’affichage des modèles, n’importe quel membre de l’équipe peut tester une nouvelle idée et voir comment elle se compare au meilleur modèle. Les mesures quantitatives agrégées comme le score F1 fournissent un outil objectif pour comparer un candidat à un autre, tandis que le découpage plus granulaire des mesures et des exemples visuels aide à motiver les expériences ultérieures. En complément de ces critères objectifs, ils ont également recueilli les commentaires des clients afin de comprendre où une optimisation plus poussée était nécessaire. Ces commentaires ont été essentiels pour maintenir leur développement sur la voie de la satisfaction des besoins réels des utilisateurs.

Au cours du cycle de développement, ils ont mené de nombreuses expériences, y compris l’essai de nouveaux modèles discutés dans la littérature, la recherche de différents patchs de l’espace de paramètres à haute dimension occupé par les modèles candidats, et la mise en œuvre de nouvelles transformations de prétraitement sur l’imagerie. Mais le plus souvent, le meilleur moyen d’aller de l’avant était de rassembler des exemples de formation plus diversifiés. « It’s the labels, stupid » est devenu un refrain pour améliorer au mieux nos modèles, malgré l’attrait intellectuel d’en tirer un peu plus de performance avec une nouvelle architecture fantaisiste. Le modèle de base est un U-Net modifié implémenté dans TensorFlow, avec environ sept millions de paramètres formés sur plusieurs milliards de pixels marqués.

Au fur et à mesure que les versions plus récentes des modèles ont commencé à produire des résultats qui saisissent avec précision les bâtiments et les routes à partir de leurs échantillons de formation et de validation, et à généraliser bien au-delà des régions, leur attention s’est tournée vers la mise à l’échelle du modèle pour l’appliquer à des régions plus vastes. Les premiers pays, les continents, et enfin le monde entier. Pour exécuter le modèle sur de nombreuses images en parallèle, ils l’ont déployé dans un système d’orchestration interne fonctionnant sur un cluster Kubernetes, tirant parti de sa configuration flexible et de la mise à l’échelle automatique des ressources informatiques. Le résultat est un pipeline qui peut produire une carte mondiale des routes et des bâtiments et la mettre à jour au fur et à mesure que de nouvelles images satellites sont recueillies. Et en recueillant davantage de données de formation pour différentes caractéristiques du sol, ils peuvent étendre ce pipeline à d’autres catégories comme l’eau, les forêts et l’agriculture.

Ci-dessus se trouve une carte de toutes les routes et de tous les bâtiments sur Terre. Il s’agit de la carte la plus complète et la plus à jour de ces caractéristiques jamais créée. Elle révèle des détails qui ne sont pas disponibles dans les outils cartographiques populaires, tant dans les villes industrialisées que dans les établissements ruraux. Construit à partir d’un ensemble d’échantillons variés, le modèle produit des résultats de qualité sur une grande variété de terrains, de densités et de types de couverture terrestre. // Crédit : Leanne Abraham, Planet

L’analyse des routes et des bâtiments de Planet fournit une vision actualisée des infrastructures dans le monde entier. Ces images comparent les données Basemap de Planet (utilisées pour dériver le produit analytique), les couches de routes (rouge) et de bâtiments (bleu), et les données OSM (Open Street Map) d’une zone rurale au nord-est de Vientiane au Laos. L’ensemble de données de Planet présente les routes et les bâtiments absents de la version la plus récente de l’OSM, et différencie les petites empreintes de bâtiments. // Crédit : Planet Mosaics Team/Planet Analytics Team/OpenStreetMap et ses contributeurs

Les paysages de la Terre varient considérablement, allant des champs vert foncé aux paysages urbains denses et aux déserts clairs. Les algorithmes d’analyse de Planet sont robustes et permettent de cartographier avec précision les routes et les bâtiments sur des terrains aussi différents que Neligh, Nebraska, Kertch, Crimée et Tombouctou, Mali. // Crédit : Planet Analytics Team

CONCLUSION
Cela dit, il reste encore du travail à faire. Des faux positifs apparaissent dans certaines montagnes accidentées et dans certains déserts où les crêtes peuvent apparaître comme des routes, et la résolution de l’imagerie peut faire apparaître des blocs de bâtiments ou des voies de circulation divisées les unes à côté des autres. Mais cette approche automatisée offre un degré d’exhaustivité globale et de cohérence spatiale difficile à battre et déjà utile pour de nombreuses applications, comme l’identification des constructions dans les zones inondables. De plus, grâce au rafraîchissement continu de l’imagerie spatiale, ces cartes peuvent être mises à jour pour mettre en évidence de nouveaux changements dans le monde entier, ce qui ouvre de nouvelles possibilités pour améliorer la transparence et aider la vie sur Terre.

Via Planet

Laisser un commentaire

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.