Apprentissage automatique et intelligence artificielle dans les GIS
L'apprentissage automatique a été un élément central de l'analyse spatiale dans les GIS. Ces outils et algorithmes ont été appliqués aux outils de géotraitement pour résoudre des problèmes dans trois grandes catégories.
Classification: La classification vous permet d'utiliser des algorithmes de machine vectorielle de support pour créer des couches de classification de l'occupation du sol.
Clustering: Le clustering vous permet de traiter de grandes quantités de données de point d'entrée, d'identifier les clusters significatifs en leur sein et de les séparer du bruit clairsemé.
Prédiction: des algorithmes de prédiction tels que la régression pondérée géographiquement vous permettent d'utiliser la géographie pour calibrer les facteurs qui vous aident à prédire. Ces méthodes fonctionnent bien dans plusieurs domaines et leurs résultats sont interprétables, mais elles nécessitent des experts pour identifier ou intégrer les facteurs (ou caractéristiques) qui affectent le résultat que nous essayons de prédire.
Application de la vision par ordinateur à l'analyse géospatiale
Un domaine de l'IA où l'apprentissage en profondeur a extrêmement bien fonctionné est la vision par ordinateur ou la capacité des ordinateurs à voir. Cela est particulièrement utile pour les GIS, car les images satellites, aériennes et de drones sont produites à un rythme qui rend impossible l'analyse et la compréhension des informations par des moyens traditionnels. La figure ci-dessous montre certaines des tâches de vision par ordinateur ou des cas d'utilisation les plus importants et comment ils peuvent être appliqués aux GIS:


La plus simple est la classification d'images, dans laquelle l'ordinateur attribue une étiquette, telle que «chat» ou «chien» à une image. Cela peut être utilisé dans le GIS pour classer les photos géolocalisées. Dans l'exemple ci-dessus, nous avons une image qui a été classée comme ayant une «foule dense» et une telle classification des activités piétonnes peut être utilisée pour la planification de la gestion des piétons et de la circulation lors des événements publics.


Ensuite, nous avons la détection d'objets dans laquelle l'ordinateur doit trouver des objets dans une image ainsi que leur emplacement. Il s'agit d'une tâche très importante dans le GIS - trouver ce qui se trouve dans l'imagerie satellite, aérienne ou de drone, et où, et le tracer sur une carte peut être utilisé pour la cartographie des infrastructures, la détection des anomalies et l'extraction des fonctionnalités.


Une autre tâche importante en vision par ordinateur est la segmentation sémantique - dans laquelle nous classons chaque pixel d'une image comme appartenant à une classe particulière. Par exemple, dans l'image de la figure 1, le chat est dans les pixels jaunes, et les pixels verts appartiennent à la classe sol et le ciel est en bleu. Dans le GIS, la segmentation sémantique peut être utilisée pour la classification de la couverture terrestre ou pour extraire les réseaux routiers de l'imagerie satellite.


Un autre type de segmentation est la segmentation d'instance, que vous pouvez considérer comme une détection d'objet plus précise dans laquelle la limite précise de chaque instance d'objet est délimitée. Cela peut être utilisé pour des tâches telles que l'amélioration des fonds de carte en ajoutant des empreintes de bâtiment ou en reconstruisant des bâtiments 3D à partir de données LiDAR.


Une application importante de l'apprentissage en profondeur pour l'imagerie satellite est de créer des cartes numériques en extrayant automatiquement les réseaux routiers et en construisant des empreintes. Imaginez appliquer un modèle d'apprentissage en profondeur formé sur une grande zone géographique et arriver à une carte contenant toutes les routes de la région, ainsi que la possibilité de créer des itinéraires en utilisant ce réseau routier détecté. Cela peut être particulièrement utile pour les pays en développement qui ne disposent pas de cartes numériques de haute qualité ou dans des zones où un développement plus récent a eu lieu.


Les bonnes cartes ont besoin de bien plus que de simples routes - elles ont besoin de bâtiments. Les développements récents de modèles de segmentation d'instance comme Mask-RCNN sont particulièrement utiles pour créer une segmentation d'empreinte et peuvent aider à créer des empreintes de bâtiment sans avoir besoin d'une numérisation manuelle.


Notre spécialité
Extraction d'objets en appliquant l'IA et l'apprentissage automatique à l'imagerie satellite.
Regroupement des données par claissification et clustering spatiaux et non spatiaux.
Prédiction utilisant des données spatiales et non spatiales.