Libérer le potentiel des données d’observation de la Terre
La collecte de données d’observation de la Terre (OT) augmente de façon exponentielle grâce aux satellites, aux capteurs in situ et à d’autres moyens, dont les spécialistes en sciences citoyennes. Ces données multi-sources se présentent également sous différents formats de données, temporels et spatiaux, ce qui rend de plus en plus difficile, même pour les experts techniques, l’analyse rapide, efficace et économique d’informations essentielles. Le projet EO4EU, financé par l’UE, vise à faciliter la découverte et le traitement des données OT en créant un guichet unique. Consolidant des quantités massives de données provenant de fournisseurs de données OT, ses modèles d’apprentissage automatique extraient dynamiquement des modèles et des informations facilement accessibles aux utilisateurs grâce à des interfaces utilisateur améliorées et à la réalité étendue.
L’écosystème de données EO4EU
La plateforme EO4EU rassemble: des données historiques provenant d’ensembles de données en libre accès; des données en temps réel provenant notamment de dispositifs portables intelligents, d’applications mobiles et de capteurs IdO; ainsi que des données et des services provenant de plateformes mondiales et européennes basées sur le nuage. Ces dernières comprennent Copernicus, Galileo/EGNOS, le Réseau mondial des systèmes d’observation de la Terre (GEOSS pour «Global Earth Observation System of Systems»), Destination Terre (DestinE pour «Destination Earth») et le Centre européen pour les prévisions météorologiques à moyen terme. Les utilisateurs peuvent accéder aux données OT brutes, exécuter une requête en langage naturel sur les sources et inspecter les ensembles de données disponibles par description. «EO4EU permet aux utilisateurs d’accéder aux informations précises dont ils ont besoin pour leurs recherches, leurs analyses et leurs processus décisionnels», explique Efstathios Chadjiefthymiadis de l’université nationale et capodistrienne d’Athènes, coordinateur du projet.
L’apprentissage automatique et les graphes de connaissances favorisent le traitement holistique des données OT
L’apprentissage automatique favorise l’annotation dynamique et la compression d’énormes quantités de données OT, ce qui réduit considérablement le temps et le coût de l’annotation manuelle. S’appuyant sur les dernières avancées en matière de méthodes d’apprentissage non supervisé, la plateforme EO4EU peut extraire des informations utiles même à partir de vastes ensembles de données non étiquetées. Ces représentations alimentent les tâches en aval pour l’apprentissage de modèles spécifiques à la tâche. EO4EU utilise des graphes de connaissances pour intégrer des sources de données OT hétérogènes et distribuées, réduisant ainsi la nécessité d’un traitement complexe des données et raccourcissant le temps de développement de nouvelles applications OT. Grâce au moteur de fusion, l’utilisateur pourra combiner des ensembles de données provenant de différents instantanés spatio-temporels. «La nature générique de la plateforme ne serait pas réalisable sans l’abstraction des données et le traitement uniforme que permettent les graphes de connaissances. En reliant différents ensembles de données, théories et modèles, les graphes de connaissances facilitent l’analyse interdomaine et une compréhension globale du système terrestre et de ses processus interconnectés», explique Efstathios Chadjiefthymiadis.
Réalité augmentée/étendue et utilisation
EO4EU dispose d’une interface conviviale comprenant des tableaux de bord personnalisés, un moteur de recherche intelligent et la visualisation, l’analyse et l’interprétation des données. Les utilisateurs peuvent également écrire leur propre code et l’exécuter sans serveur avec un minimum d’effort. Enfin, EO4EU propose une expérience immersive grâce à son interface de réalité augmentée et étendue. Tout est disponible gratuitement grâce à une simple procédure d’enregistrement. La plateforme a été testée dans sept cas d’utilisation. Par exemple, le cas d’utilisation de la surveillance des océans s’appuie sur un pipeline d’intégration de données d’extraction, de transformation et de chargement (ETL pour «extract-transform-load») qui collecte en permanence des données météorologiques et les intègre aux données opérationnelles des navires afin d’optimiser la consommation de carburant et les itinéraires. «Ce pipeline ETL contribue à former des modèles qui prédisent avec précision la consommation de carburant. Ces prévisions sont utilisées en temps réel pour suggérer des itinéraires alternatifs respectueux de l’environnement, garantissant ainsi le respect des normes réglementaires. En outre, nous avons mis au point un réseau neuronal convolutif pour surveiller les conditions océaniques et prévoir les phénomènes météorologiques ambiants en temps réel», explique Efstathios Chadjiefthymiadis. Le projet EO4EU a apporté une contribution inestimable à la FAIRification des données OT grâce à son guichet unique qui facilite la recherche, l’accès et la réutilisation des données et des analyses OT. Il améliorera considérablement les connaissances environnementales aux niveaux local et européen.
Mots‑clés
EO4EU, graphes de connaissances, observation de la Terre, réalité étendue, apprentissage automatique, IA, fusion de données, openEO
