Gains :
- Possibilité de sélectionner les données satellite (zone étendue) et de capteur (local) en fonction de la question et d'analyser des indices tels que NDVI en appliquant un masque nuageux
- Capacité à distinguer la dérive et le dysfonctionnement du signal réel en transmettant les données du capteur IoT via l'étalonnage et le contrôle qualité
- Capacité à baser un résultat de surveillance sur une tendance plutôt que sur une date unique et à établir un plan de vérification avec une vérité terrain ou des données indépendantes
Pour gérer l’environnement, il faut d’abord le voir. Il est nécessaire de savoir à quel point une forêt est devenue petite, à quel point une rivière est polluée ou quelle quantité de méthane une installation perd, non pas par des suppositions, mais par des données. La surveillance environnementale est la mesure régulière et reproductible de l’état de l’environnement. Dans cette unité, vous découvrirez deux sources de Big Data – les satellites observant depuis l’espace et les capteurs sur le terrain – et le rôle de l’IA pour donner un sens à ces données massives.
Les notions d’abord. La télédétection collecte des informations en mesurant la lumière réfléchie à distance (à partir d'un satellite ou d'un avion) sans toucher aucun objet. Le capteur IoT (Internet des objets) est un petit appareil placé sur le terrain et envoie automatiquement la valeur mesurée (température, qualité de l'air, niveau d'eau) sur Internet. Ensemble, ils fournissent une image à la fois large (satellite) et locale (capteur) de l'environnement.
Comment lire les données satellites ?
Les satellites ne font pas que prendre des photos ; mesure différentes longueurs d'onde (« bandes ») de lumière. La combinaison mathématique de ces bandes montre ce qui est invisible à l'œil nu. L'exemple le plus connu est le NDVI (Normalized Difference Vegetation Index) : il mesure la densité de la végétation avec un chiffre compris entre 0 et 1, basé sur le principe selon lequel les plantes saines réfléchissent beaucoup la lumière infrarouge. Une diminution du NDVI pourrait signifier déforestation, sécheresse ou dégâts.
Les sources satellitaires gratuites et ouvertes les plus courantes sont les satellites Sentinel (programme européen Copernicus) et Landsat (États-Unis). Ceux-ci sont accessibles via des plateformes telles que Google Earth Engine ou en Python (avec des bibliothèques telles que rasterio, xarray).
Astuce : Le plus grand ennemi des données satellitaires est le cloud. Une baisse du NDVI constitue-t-elle une réelle perte de forêt, ou y avait-il un nuage au-dessus ce jour-là ? Appliquez toujours un masque nuageux et comparez plusieurs dates avant d’analyser.
Données et étalonnage des capteurs IoT
Les capteurs sont bon marché et courants, mais pas parfaits. Un capteur de qualité de l’air à faible coût dérivera avec le temps, sera affecté par l’humidité ou tombera en panne. Par conséquent, les données des capteurs sous leur forme brute ne sont pas fiables ; l'étalonnage (correction par comparaison avec un appareil de référence connu) et le contrôle qualité sont indispensables.
Ici l'IA ; Il est très puissant pour écrire du code permettant de traiter de grandes données d'images et de séries chronologiques, de rechercher des anomalies (écarts inattendus), d'établir un modèle de classification et de résumer les résultats. Mais la réalité physique de la mesure se résume à la décision d'étalonnage et à la question « ce signal est-il réel ou est-ce du bruit ? L'interprétation appartient à l'expert.
Pas à pas : une analyse de suivi
1. Définissez la question. « Comment la végétation a-t-elle évolué sur ce territoire de 10 000 hectares entre 2020 et 2024 ? Une question claire, spatiale et temporelle comme :
2. Sélectionnez la source de données. Satellite (zone étendue) ou capteur (local, continu) ? La résolution et la fréquence sont-elles adaptées à la question ?
3. Pré-traitement. Masquer le nuage, calibrer, signaler les données manquantes. Si cette étape est ignorée, le résultat est trompeur.
4. Calculez l'indice/la métrique. NDVI, température moyenne, concentration de polluants.
5. Trouvez le changement et l'anomalie. Analyse de tendance, franchissement de seuil, saut soudain.
6. Vérifiez avec le champ. Si possible, confirmez avec la vérité terrain ; Fournissez un signal satellite avec une visite sur le terrain ou des données indépendantes.
trois mini-cases
Cas 1 – Craquer pour le cloud. Une ONG environnementale était sur le point de tirer la sonnette d'alarme concernant une « déforestation soudaine » lorsqu'elle a constaté que le NDVI dans une région avait chuté de 40 % en un mois. Lorsque l'analyste a appliqué un masque nuageux et regardé les dates voisines, il a vu que la majeure partie de l'image de ce jour-là était nuageuse, et dans l'image suivante sans nuages, le NDVI est revenu à la normale. Fausse alarme évitée. Temps perdu : 20 minutes, réputation gagnée : inestimable.
Cas 2 — Capteur non calibré. Une municipalité préparait un rapport sur « l'air trop pollué » avec les données de capteurs PM2,5 (particules inférieures à 2,5 microns – fines poussières respirables) à faible coût. Lorsque l'expert a comparé les capteurs à une station de référence, il a constaté qu'ils surestimaient la valeur jusqu'à deux fois en cas d'humidité élevée. Lorsque la correction de l'humidité (calibrage) était appliquée, les valeurs réelles apparaissaient ; Panique évitée.
Cas 3 — Automatisation du code. Une équipe de recherche prévoyait de passer des semaines à travailler manuellement pour extraire les tendances NDVI de 200 images satellite. Ils ont demandé à l'IA d'écrire un flux de travail automatisé avec Google Earth Engine et le code Python (masque nuageux + moyenne NDVI mensuelle + graphique de tendance). L'analyse a pris quelques minutes pour 200 images ; L'équipe a consacré son temps à interpréter le résultat. Ils ont quand même vérifié chaque étape du code.
Invite faible/Invite forte
Invite faible :
Trouvez la déforestation à partir des données satellite.
Pourquoi il est faible : pas de domaine, de plage de dates, de source de données, de résolution et de traitement cloud. L'IA fournit un texte général, pas une analyse exécutable.
Invite puissante :
Votre rôle : analyste en télédétection. Écrivez du code Python (Earth Engine) qui calcule la tendance mensuelle NDVI 2020-2024 pour [Zone limite] avec les données Sentinel-2. Étapes : (1) appliquer un masque nuageux, (2) NDVI mensuel moyen, (3) dessiner un tableau de tendance, (4) marquer les mois avec une baisse de plus de 20 %. Laissez le code être exécutable ; Commentez chaque étape. Notez également les limites des données (résolution, cloud).
Quatre modèles copiables
1) Analyse d'index satellite (avec code) :
Votre rôle : analyste en télédétection. Écrivez du code Python exécutable qui calcule [NDVI/NDWI/autre index] sur [DATE range] pour [AREA] avec les données [Sentinel-2/Landsat]. Assurez-vous d'ajouter un masque de nuage. Marquez la tendance et les anomalies. Précisez la résolution et les limites de cloud des données dans les commentaires.
2) Contrôle qualité des séries chronologiques du capteur :
Recherchez des problèmes de qualité dans les séries chronologiques de capteurs suivantes avec Python : données manquantes, valeur bloquée, saut soudain, dérive, extrême. Marquez chaque problème avec un horodatage. Ne modifiez pas les données, faites simplement un rapport. Ajoutez une simple suggestion d’étalonnage si possible. Données : [ici]
3) Schéma de vérification de la vérité terrain :
Suggérez un plan sur la façon dont je peux vérifier les résultats satellite suivants (par exemple, baisse du NDVI) sur le terrain : quels points, quelle mesure, quelle source de données indépendante. Comptez également les situations où le constat peut être faux (nuage, saison, ombre). Constatation : [ici]
4) Résumé des anomalies :
Résumez les anomalies constatées à partir des données de surveillance ci-dessous en langage simple pour un responsable environnemental. Pour chaque anomalie : où, quand, quel est l'ampleur de l'écart, les causes possibles et une note "doit être vérifiée". Bien sûr, pourquoi c'est CONVENABLE ; présentez-le comme une possibilité. Données : [ici]
Erreurs courantes
- Ne pas appliquer de masque nuageux. Le nuage est le signal parasite le plus courant.
- Faire confiance au capteur sans le calibrer. Les capteurs bon marché glissent et sont affectés par l'humidité.
- Il suffit de regarder l'histoire. Plusieurs dates et tendances sont nécessaires pour revendiquer un changement.
- Contourner la vérité terrain. Le signal satellite doit être confirmé avec des données de terrain ou indépendantes si possible.
- Tomber dans le piège de l'affirmation de la « cause exacte » d'AI. Les données de suivi sont en corrélation ; Confirmer la raison est une autre affaire.
Attention : les images satellites et drones haute résolution peuvent contenir des propriétés privées, des personnes ou des installations sensibles. Respectez les restrictions légales et de confidentialité (en particulier les données personnelles et la sécurité) lors du partage de données de suivi.
En résumé
La surveillance environnementale combine les données satellitaires (larges) et celles des capteurs (locales). IA ; Il s'agit d'un puissant accélérateur pour l'écriture de code qui traite des données d'images et de séries chronologiques massives, l'analyse et la synthèse des anomalies. Mais le masque nuageux, l’étalonnage des capteurs, la comparaison multi-dates et la vérification de la vérité sur le terrain appartiennent à l’expert. Faites confiance au signal nettoyé et confirmé, pas au signal brut.
Tâche de candidature
Choisissez un champ et une plage de dates (réelles ou hypothétiques). 1. Imprimez le code d'un flux de travail d'analyse NDVI sur AI avec le modèle et vérifiez que l'étape de masque nuageux existe. Ensuite, passez une série chronologique de capteur dont vous disposez (ou un échantillon) au contrôle qualité avec le 2ème modèle. Enfin, avec le modèle 3, élaborez un plan sur la façon dont vous validerez un changement que vous trouvez sur le terrain.
liste de contrôle
- [ ] J'ai défini l'analyse avec une question spatiale et temporelle claire.
- [ ] J'ai appliqué un masque nuageux sur les données satellite.
- [ ] J'ai transmis les données du capteur via l'étalonnage et le contrôle qualité.
- [ ] J'ai basé l'affirmation sur le changement sur la tendance, pas sur une seule date.
- [ ] J'ai élaboré un plan pour vérifier les résultats avec une vérité terrain ou des données indépendantes.
- [ ] J'ai respecté la confidentialité et les restrictions légales.