Les images satellitaires sont utilisées depuis de nombreuses années pour recueillir des informations sur la surface de la Terre et les activités humaines qui s'y déroulent. Jusqu'à récemment, les experts s'appuyaient sur des logiciels qui reconnaissent et délimitent certains modèles spatiaux. Cette méthode Object Based Image Recognition a représenté une avancée majeure dans l'accélération du traitement de l'information. L'inconvénient de celle-ci est que des interventions humaines relativement nombreuses sont toujours nécessaire et que la logique de traitement doit être reconfigurée et retestée pour chaque projet. De plus, le traitement de l'information exige une énorme puissance de calcul de la part des ordinateurs utilisés à cette fin.C’est là que le « machine learning » (apprentissage automatique) vient à la rescousse …

La percée de l'intelligence artificielle, et plus précisément du machine learning, représente une avancée considérable dans le traitement de grandes quantités d'informations.  Les data scientists de GIM ont mis en place une série de chaînes de traitement qui utilisent la vision par ordinateur (computer vision) pour scanner des images aériennes et satellitaires de haute qualité afin de détecter la présence d'objets tels que des bâtiments, de la végétation, des surfaces pavées et non pavées, etc.

Pour cette application, le modèle a été entraîné à reconnaître de manière entièrement automatique les caractéristiques typiques des bidonvilles : ruelles étroites, petites maisons contiguës présentant une grande variété de structures de toit.

Le savoir-faire belge déployé dans le monde entier

GIM a utilisé cette technologie pour délimiter les bidonvilles de Manille (Philippines), Ho-Chi-Minh Ville (Vietnam) et d'Amérique latine. Pour Manille et Ho-Chi-Minh Ville, GIM a travaillé pour le compte du PNUD (Programme des Nations unies pour le développement), tandis qu'en Amérique latine, c'est la Banque interaméricaine de développement (BID) qui est aux commandes.

Le grand avantage de la méthode utilisée est que - une fois développé - le modèle peut facilement être transféré vers une autre région ou un autre continent. Grâce à l'apprentissage automatique, la détection de ce type d'habitations informelles est donc plus précise, plus rapide et plus facile. En outre, les utilisateurs [CA(1] disposent d'une boîte à outils complète pour déployer le logiciel sur d'autres sites ou pour suivre l'évolution dans le temps. Enfin, cette boîte à outils est basée sur des outils open-source, ce qui rend la technologie choisie particulièrement intéressante pour les ONG qui opèrent souvent dans des régions disposant de moins de ressources financières.

Vous voulez en savoir plus sur l'utilisation de machine learningpour la détection d'objets ?

Contactez GIM sans engagement ou regardez notre webinaire sur l'utilisation de l'intelligence artificielle pour les géodonnées.