La version d'ArcGIS Pro 3.5 révolutionne l’analyse d’images en intégrant des outils avancés comme l’analyse hyperspectrale et le radar SAR. Elle élargit la compatibilité avec de nouveaux types de données, offrant un accès à des informations plus riches et plus précises. Ces nouveautés permettent d’améliorer considérablement les capacités d’analyse géospatiale. Les flux de travail sont également, optimisés grâce à des outils de deep learning et de visualisation renforcés. Cette version d'ArcGIS Pro 3.5 transforme la manière de travailler avec les images et les données raster !

Avec cette nouvelle version, ArcGIS Pro prend en charge de nouveaux types de données, ce qui permet de tirer parti des atouts uniques de chaque source. En croisant ces informations, il est ainsi possible d'obtenir une vision plus complète et plus claire des situations analysées. Résultat : des décisions plus rapides, plus précises et basées sur des données solides. Que ce soit pour la planification stratégique ou l'intervention en temps réel, cette richesse de données devient un véritable levier d’efficacité.

Dans un paysage technologique en évolution toujours plus rapide, la convergence de l’intelligence artificielle (IA) et de l’intelligence spatiale a donné naissance ces dernières années à une technologie révolutionnaire : l’intelligence artificielle géospatiale (GeoAI). En 2019, dans cet article arcOrama (un des plus lus cette année là), j'avais déjà introduit ce terme de GeoAI pour qualifier la stratégie et les premiers outils d'Esri pour intégrer l'IA aux capacités d'intelligence spatiale du système ArcGIS. Comme je l'évoque à chaque mise à jour d'ArcGIS, il y a eu tant d'évolutions et de chemin parcouru dans ce domaine ces dernières années (et ce n'est que le début) qu'il est temps de revenir en détails sur toutes ces innovations.

L'approche GeoAI est donc d'appliquer les algorithmes de l'IA aux données géospatiales, la science et la technologie pour accélérer vos flux de travail, découvrir rapidement des informations précieuses à partir de grosses volumétrie de données et résoudre des problèmes spatiaux complexes. En permettant d'analyser plus rapidement les événements, il permet aux utilisateurs de suivre le rythme de l'évolution des équipements, de leurs infrastructures, de leurs territoires et de prendre des décisions éclairées plus rapidement qu'auparavant. Grâce aux données toujours plus nombreuses et aux prévisions riches que la GeoAI peut générer à partir de modèles spatiaux, ce sont de précieux résultats qui sont désormais disponible pour vos organisation.

L’IA regroupe différentes familles de technologies dont l’apprentissage automatique (Machine Learning) et l’apprentissage profond (Deep Learning). L'apprentissage automatique consiste à entraîner un machine à apprendre des modèles à partir de données et à prédire les résultats sans recevoir d'instructions explicites pour le faire. L'apprentissage profond, un sous-ensemble de l'apprentissage automatique, utilise des structures algorithmiques appelées réseaux de neurones qui s'inspirent de la façon dont le cerveau humain fonctionne pour apprendre des modèles complexes au sein des données en  des concepts plus simples.

Avec le framework de GeoAI dont vous disposez dans ArcGIS l'apprentissage automatique peut être utilisé pour analyser des données spatiales et résoudre des problèmes spatiaux à l'aide d'algorithmes de classification, de regroupement et de prédiction et de prévision. L'apprentissage profond, quant à lui, est le plus souvent utilisé en GeoAI pour générer des données spatiales riches en automatisant l'extraction, la classification et la détection d'informations géospatiales à partir d'images, de vidéos, de nuages ​​de points ou de texte. Il peut également être utilisé pour analyser des données spatiales afin de faire des prédictions et des prévisions.

De nombreuses organisations modernisent leurs opérations en tirant parti de GeoAI pour prendre des décisions basées sur les données et prendre des mesures proactives qui répondent aux défis de leurs activités et de leurs territoires. La GeoAI dans ArcGIS prend en charge une gamme d'applications aussi diverses que la détection et la classification des changements d'occupation du sol, la prévision de la croissance urbaine, l'extraction automatique d'entités 3D à partir de Lidar ou encore l'évaluation des risques environnementaux. Il existe une variété d'algorithmes de GeoAI à votre disposition dans ArcGIS, via des modèles pré-entraînés prêts à l'emploi, via des modèles pouvant être affinés pour résoudre des problèmes spécifiques ou via des modèles personnalisés que vous construisez vous-même pour répondre à des besoins métiers eux-aussi très variés.

Ainsi donc, dès les premières semaines de l'année prochaine, j'aurai le plaisir de vous proposer sur arcOrama une longue série d'articles montrant à la fois l'installation et l'utilisation de ce framework de GeoAI dans ArcGIS, et cela à travers des exemples concrets de cas d'usage. 

 

L'imagerie est depuis longtemps un axe majeur de la plateforme ArcGIS en particulier dans les outils bureautiques tels qu'ArcGIS Pro et l'extension ArcGIS Image Analyst. La dernière mise à jour d'ArcGIS Pro 3.0 apporte de nouveaux outils de traitement d’image, notamment sur le SAR (radar à synthèse d’ouverture), et des améliorations sur les outils de deep learning, de détection de changements, d’analyse multidimensionnelle ou encore de stéréorestitution.  

Radar 

Cette version propose 9 nouveaux géotraitements destinés à la prise en charge des données radar Sentinel-1 au niveau GRD (Ground Range Detected). Ils offrent ainsi un workflow complet pour disposer de données SAR prêtes à l’analyse, avec notamment la création de compositions colorées pour en faciliter l’interprétation. Les outils habituels d’ArcGIS Image Analyst peuvent ensuite être utilisés sur ces images pour opérer des classifications, détections de changement ou entrainer un modèle de deep learning. 

Utilisation de données SAR pour l'estimation de zones inondables

Le deep learning (ou apprentissage en profondeur) est aujourd’hui un élément central des outils d’analyse du système ArcGIS. Cette version 3.0 de Pro a ajouté plusieurs améliorations aux capacités d'apprentissage en profondeur notamment autour d'AutoML. Les outils ont été intégrés avec les bibliothèques open source les plus courantes du domaine pour permettre l’accès aux dernières évolutions, notamment l’apprentissage automatique.  

Outils 

Des mises à jour ont été apportées pour détecter et suivre des objets dans une vidéo. Jusqu’à présent, un utilisateur FMV devait mettre la vidéo en pause afin de pouvoir détourer un objet d’intérêt en mouvement. Grâce à la fonction “Click to Track”, l’analyste peut simplement cliquer sur l’objet et un modèle de Deep Learning va automatiquement le suivre. Les modèles de suivi sont également associés à des modèles de détection qui permettent à l’analyste de suivre et détecter simultanément. 

Le nouvel outil "Auto Detector" a été inséré dans le volet "Object Tracking", permettant la détection automatique et l’identification d’objets cible en utilisant un modèle de détecteur par deep learning.  

Amélioration des performances 

La création et la préparation des données d’entrainement est sans aucun doute la partie la plus laborieuse et chronophage du workflow de deep learning. Avec cette version, l’outil d’export des données d’entrainement permet désormais à l’utilisateur de tirer parti de toute la puissance de leur machine, améliorant les performances de cette étape d’un facteur 9.  

 

Nouveaux modèles de Deep Learning 

En règle générale, le deep learning nécessite de larges quantités de données d’entrainement. Cependant, le domaine évolue lentement vers des modèles moins gourmands en échantillons (Few Shot Detection). Le modèle DETReg a été ajouté, à destination des utilisateurs qui ne disposent pas d’un grand nombre de données d’entrainement. Ainsi, on minimise le temps passé à la saisie d’échantillons, permettant alors aux utilisateurs d’intégrer plus facilement le deep learning dans leurs worklfows habituels.  

De plus, à la demande des utilisateurs, le modèle "Panoptic Segmentation" a été introduit. Ce modèle permet de lancer une inférence simultanément sur le résultat d’une classification par pixel et d’une détection d’objets. Ils peuvent ainsi tirer parti d’un seul modèle puissant pour exécuter les deux tâches.  

Jusqu'à présent la détection de changement image à image était limitée à des comparaisons par bande ou entre rasters thématiques. Cette version apporte la détection de changement dans les images multispectrales. De nouvelles méthodes vont calculer les changements au travers du spectre complet de chaque pixel. Cela permet plus de souplesse de mise en œuvre, en supprimant la nécessité de choisir des bandes spécifiques au préalable et en offrant de nouvelles métriques pour évaluer le changement ou les divergences à l’échelle du pixel. Dans l’exemple ci-dessous, la différence d’angle spectral (Spectral Angle Difference) est calculée entre deux scènes Landsat 8 en réflectance, pour produire une carte de changements dans les zones agricoles et le niveau des lacs en Californie.

Les outils d’analyse multidimensionnelle et les fonctions raster ont été améliorés pour prendre en charge davantage de workflows. L'outil d’analyse en composantes principales (ACP) pour les données multidimensionnelles a été ajouté, permettant de s’intéresser aux patterns spatiaux et temporels d’un jeu de données. L'analyste pourra alors lancer une ACP sur une série temporelle plutôt que de s’intéresser seulement à l’analyse des patterns spectraux d’une image. Ces outils permettent de réaliser une réduction spatiale des variables, afin d’identifier les patterns spatiaux et temporels.

L'expérience utilisateur pour l’analyse et l’extraction d’objets en 3D a été améliorée avec le suivi de terrain en utilisant un MNT. Cela permet au restituteur de se focaliser sur l’analyse stéréo plutôt que sur l’ajustement de hauteur du ballonnet.  

Cette mise à jour va également ajouter le support de modèles de capteur additionnels. Auparavant seules les images accompagnées d’un modèle RPC étaient supportées. Désormais, le travail stéréoscopique est possible avec des images accompagnées d’un modèle physique, comme les images satellite de Maxar. D'autres modèles physiques seront bientôt mis à disposition dans les prochaines versions.  

Si vous ne connaissez pas bien les nombreuses capacités de l'extension ArcGIS Image Analyst, je vous recommande de commencer par la lecture de cette page, puis potentiellement la découverte de ces didacticiels.

L'intégration des capacités d'IA et en particulier de Machine Learning est une tendance importante depuis quelques années dans l'évolution de la plateforme ArcGIS. Ces nouvelles capacités d'analyse de classification, de prédiction, de clustering ou de Deep Learning sont disponibles dans les différentes solutions ArcGIS notamment ArcGIS Enterprise, ArcGIS Online et ArcGIS Pro.

L'année 2021 aura été particulièrement riche en ce qui concerne la prise en charge des workflows d'apprentissage profond (Deep Learning) dans ArcGIS. Esri a notamment ajouté de nouveaux modèles de Deep Learning pré-entrainés, supporté de nouveaux types de données, et amélioré l'accès aux tâches et aux outils de Deep Learning. Les développeurs ont également pu tirer profit de ces nouvelles capacités de Deep Learning via la nouvelle offre SaaS "ArcGIS Platform". Ces évolutions incrémentales de 2021 ont été effectuées pour prendre en charge toutes les étapes des flux de travail de Deep Learning (préparation des données d'entrainement, apprentissage des modèles, inférence des modèles, présentation et partage des résultats,...) mais aussi pour simplifier et automatiser les tâches des analystes SIG, des développeurs et data scientists, entre autres.  

Si vous n'avez pas suivi ces évolutions, je vous propose de revenir sur les principales innovations qui ont marqué cette année 2021.

L'intelligence artificielle a fait de rapides progrès ces dernières années, égalant voire dépassant parfois la précision humaine dans des tâches telles que la vision par ordinateur (vision artificielle), le traitement du langage naturel et la traduction automatique. Le croisement de l'intelligence artificielle (IA) et des SIG crée de nombreuses opportunités qui n'étaient pas envisageables auparavant. 

   

   

L’intelligence artificielle (IA), l’apprentissage machine (Machine Learning) et l’apprentissage en profondeur (Deep Learning) nous aident, par exemple, à optimiser le rendement des cultures grâce à une agriculture de précision, à prédire la localisation de pannes sur ses équipements, à compter en temps réel un flux de piétons ou le taux d'occupation de parkings, à lutter contre la criminalité en déployant des modèles prédictifs de délinquances, ou encore en prévoyant de manière plus fiable le lieu et la date de la prochaine grande tempête et mieux s'y préparer.

     

De manière générale, l'IA est la capacité des ordinateurs à effectuer une tâche qui nécessite généralement d'imiter certaines formes de l'intelligence humaine. L'apprentissage machine est un type de moteur qui rend cela possible. Il utilise des algorithmes basés sur les données pour apprendre des données et vous fournir les réponses dont vous avez besoin. L’apprentissage en profondeur est l’un des types d’apprentissage automatique apparus au cours des dernières années. Il s’agit de réseaux de neurones profonds, inspirés du cerveau humain et vaguement ressemblants.

L'apprentissage machine est une composante essentielle de l'analyse spatiale dans les SIG (GéoIA), et ceci depuis de nombreuses années. Dans ArcGIS, ces outils et ces algorithmes ont été intégrés (pour certains depuis de nombreuses années) aux outils standards de géotraitement. Ils répondent à différentes typologies de problématiques: la classification, le clustering et la prédiction.

La Classification consiste à utiliser des algorithmes qui déterminent à quelle catégorie un objet doit être associé. Par exemple, la classification peut être utilisée pour obtenir une occupation des sols, déterminer des formes de toits ou encore reconnaître des piscines ou des panneaux solaires à partir d'une imagerie haute-résolution. Dans ArcGIS, il s'agit d'outils tels que: Maximum Likelihood Classification, Train Random Trees Classifier, Train Support Vector Machine Classifier.

  

Le Clustering répond à d'autres besoins. Il permet de regrouper les objets par proximité statistique (et par extension par proximité géographique également) à partir de grandes quantités de données en entrée. L'objectif est d'identifier les regroupements significatifs et de les séparer du bruit au sein du jeu de données. Dans ArcGIS, il s'agit d'outils tels que: Spatially Constrained Multivariate Clustering, Multivariate Clustering, Density-based Clustering, Image Segmentation, Hot Spot Analysis, Cluster and Outlier Analysis, Space Time Pattern Mining.

   

Les algorithmes de Prédiction tels que les régressions permettent peuvent être pondérés géographiquement pour utiliser la localisation des données dans les facteurs qui vous aideront à prédire. Ces méthodes fonctionnent bien dans de nombreux domaines et la qualité de leurs résultats est mesurable assez facilement. Cependant, on notera qu'elles ont besoin d’experts pour identifier les facteurs qui affectent le résultat que nous essayons de prédire. Dans ArcGIS, il s'agit d'outils tels que: Empirical Bayesian Kriging, Areal Interpolation, EBK Regression Prediction, Ordinary Least Squares Regression and Exploratory Regression, Geographically Weighted Regression.

  

  

  

Principales tâches de vision par ordinateur applicables aux SIG

Planification de la circulation et des déplacements des piétons par le comté de Cobb

Détection de piscines dans des parcelles à partir d'une orthophoto

Classification de la couverture terrestre en utilisant un modèle de Deep Learning