Intégrer l’intelligence artificielle dans l’observation de la Terre: une nouvelle ère pour la réponse climatique
Les architectures classiques d’apprentissage automatique ne sont pas adaptées aux problèmes d’observation de la Terre (OT). Le projet DeepCube, financé par l’UE, introduit des solutions innovantes pour résoudre ce problème. En s’appuyant sur des technologies avancées d’IA et de web sémantique, DeepCube exploite les vastes données ouvertes produites quotidiennement par les satellites Sentinel du programme d’observation de la Terre Copernicus pour relever les défis environnementaux et sociétaux à fort impact liés à l’urgence climatique. «Notre objectif va au-delà des applications classiques de classification par vision par ordinateur et se concentre sur l’estimation quantitative des variables liées aux processus géophysiques et biologiques», note le coordinateur du projet, Ioannis Papoutsis.
Les technologies avancées d’IA à la rescousse
Les recherches de DeepCube portent sur certains problèmes d’OT à fort impact liés à l’interaction entre la biosphère, l’atmosphère et l’anthroposphère. Il s’agit notamment de prévoir les effets de la sécheresse et de la chaleur et de comprendre les migrations induites par le climat en Afrique, de prévoir les risques d’incendie de forêt dans les régions méditerranéennes, de surveiller l’instabilité du sol dans les infrastructures et d’évaluer l’impact du tourisme sur l’environnement. Pour résoudre ces problèmes complexes, DeepCube utilise l’apprentissage profond et la modélisation physique fondés sur les données, créant ainsi une approche hybride unique qui transcende les limites de l’IA conventionnelle. «L’apport d’une expertise dans le domaine et de lois physiques, tout en réduisant les incertitudes, aide à comprendre la dynamique des écosystèmes après des événements tels que les sécheresses», explique Ioannis Papoutsis. DeepCube utilise également l’IA explicable et l’IA causale dans ses pipelines d’apprentissage profond (une séquence d’étapes qui traite les données, conçoit des architectures de réseaux neuronaux profonds, entraîne des modèles et génère des prédictions à l’aide de techniques d’apprentissage profond). «L’IA explicable ouvre la “boîte noire” de l’apprentissage profond, en aidant à comprendre la raison de certaines prédictions. En appliquant cette technique à la prévision des risques d’incendie de forêt, par exemple, nous pouvons identifier les principaux facteurs qui influencent les prévisions du modèle», explique Ioannis Papoutsis. L’IA causale, un autre élément clé du projet, aide à comprendre les liens de cause à effet dans les modèles. Cette démarche est cruciale lorsqu’il s’agit de traiter des questions telles que les déplacements induits par le climat, où les relations entre les conflits, la sécheresse et les déplacements doivent être identifiées et quantifiées.
Les technologies de pointe qui sous-tendent les pipelines d’IA
Les applications de DeepCube sont alimentées par des technologies qui soutiennent la création de pipelines d’IA. Il s’agit notamment du Earth System Data Cube (ESDC), un ensemble de données unifiées de variables essentielles du système terrestre, et du Semantic Data Cube, qui enrichit sémantiquement l’ESDC. En outre, DeepCube développe Hopsworks, une plateforme d’IA en libre accès qui prend en charge l’apprentissage profond distribué. Le projet propose également des outils de visualisation tels que Sextant pour interagir avec des données géospatiales associées et une plateforme web pour extraire des concepts visuels des flux de réseaux sociaux. En définitive, la plateforme DeepCube offre un environnement intégré aux spécialistes de l’OT et de l’IA pour créer des chaînes de valeur à partir de données brutes issues de l’OT et d’autres domaines. Cette plateforme adaptable peut être déployée dans divers environnements d’informatique en nuage, et toutes les technologies mentionnées y partagent des ressources et définissent des flux de données dans le cadre d’une solution unifiée.
Faire progresser la science grâce à la recherche en libre accès et aux partenariats mondiaux
DeepCube a apporté des contributions conséquentes à la communauté scientifique, en publiant des travaux de recherche à fort impact et en mettant à disposition ses modèles d’apprentissage profond, ses codes, ses ensembles de données et ses ontologies en libre accès. Les chercheurs ont notamment publié «Hephaestus», un ensemble unique de données annotées manuellement d’interférogrammes Sentinel-1 pour le développement d’un service d’alerte précoce en cas d’instabilité volcanique. Dans le cadre de leurs recherches sur la prévision des risques d’incendie de forêt, les chercheurs ont publié «mesogeos», un cube de données quotidiennes permettant de développer des modèles de prévision des risques d’incendie pour le lendemain dans la région méditerranéenne. DeepCube implique également les bénéficiaires directs dans la conception et l’évaluation de ses services afin d’en maximiser les retombées. Le travail sur les migrations induites par le climat est développé en collaboration avec l’Observatoire des déplacements internes et a suscité l’intérêt d’ONG et d’organisations internationales telles que l’UNICEF, le Programme alimentaire mondial et le Programme des Nations unies pour le développement. Leur service de prévision des risques d’incendie, développé en collaboration avec le service des pompiers helléniques, a également suscité l’intérêt de l’initiative «AI for Good» de l’Union internationale des télécommunications.
Mots‑clés
DeepCube, OT, apprentissage profond, IA explicable, observation de la Terre, Copernicus, IA causale, intelligence artificielle
