Gains :
- Capacité à interpréter les couches SIG, le NDVI et les concepts de bande/résolution de télédétection
- Interprétation d'index, analyse des changements et rédaction de récits de cartes avec l'IA
- Capacité à vérifier l'interprétation des satellites/cartes de l'IA avec la vérité terrain et les métadonnées
Vous êtes un ingénieur en environnement travaillant sur un projet de conservation des zones humides. Le conseil veut que vous enquêtiez sur les plaintes selon lesquelles la roselière au bord du lac aurait rétréci au cours des cinq dernières années. Avant de vous rendre sur le terrain, vous devez faire une évaluation préliminaire à votre bureau : vous disposez d'images satellite de deux années différentes, d'un projet SIG (Système d'Information Géographique) et d'un modèle linguistique. Vous pouvez demander à LLM d’interpréter le résumé NDVI des images et de rédiger une ébauche du récit du changement. Cependant, un pixel satellite représente un carré de 10 mètres, et vous ne pouvez comprendre s'il y a une ombre de nuage, un roseau qui sèche ou un niveau d'eau saisonnier dans ce carré qu'avec la vérité terrain. Dans cette unité, nous abordons les concepts de télédétection et de SIG, l'interprétation des indices/changements avec l'IA et, surtout, les limites de cette interprétation.
Logique des couches SIG et principes fondamentaux de la télédétection
Le SIG organise les données géographiques en couches superposées : chaque couche porte un thème (utilisation du sol, plans d'eau, élévation, routes) et est alignée dans un système de coordonnées commun. Une analyse commence par superposer les bonnes couches dans la bonne projection ; un mauvais système de coordonnées biaise systématiquement les zones et les distances.
Lors de l'interprétation d'une image de télédétection, vous devez distinguer trois types de résolution :
Type de résolution
Qu'est-ce que ça raconte ?
exemple
limitation
spatial
Taille d'un pixel au sol
10 m, 30 m
Les petits objets restent sous-pixels
spectral
Combien et quelle bande de longueur d’onde ?
Rouge, NIR, SWIR
Moins de bande = moins de pouvoir de discrimination
temporel
À quelle fréquence le même endroit est consulté
5 jours, 16 jours
Perte de données par temps nuageux
Radiométrique
Sensibilité à la luminance (profondeur de bits)
8 bits, 12 bits
Faible profondeur = mauvaise discrimination
NDVI : formule et interprétation
L’indice le plus courant mesurant la vitalité de la végétation est le NDVI (Normalized Difference Vegetation Index). Une plante saine réfléchit fortement le proche infrarouge (NIR) et absorbe le rouge (RED) :
NDVI = (NIR − RED) / (NIR + RED)Plage de valeurs : −1 ... +1 < 0 : eau, neige, nuages 0,0 - 0,2 : sol nu, roche, zone bâtie 0,2 - 0,5 : végétation clairsemée/herbacée, couverture stressée 0,5 - 0,9 : couverture verte dense et saine
# NDVI d'un petit échantillon de pixels importer numpy comme npnir = np.array([[0.42, 0.38], [0.11, 0.45]]) # réflectancered proche infrarouge = np.array([[0.06, 0.09], [0.10, 0.05]]) # réflectance rougendvi = (nir - rouge) / (nir + red)print(np.round(ndvi, 2))# [[0.75 0.62]# [0.05 0.80]]# Pixel en bas à gauche (0.05) : pas une plante — peut être un sol nu ou de l'eau/une ombre
Astuce : le NDVI n'est pas une mesure absolue de la « santé » mais un indicateur dépendant de l'état. Lorsque vous comparez deux NDVI datés de la même zone, assurez-vous que les images ont été prises à des saisons similaires, avec des angles de soleil similaires et dans des conditions sans nuages. Comparer l’apparence de la fin de l’été au printemps produit une « perte de plantes » irréelle.
Analyse des changements (détection des changements)
Le moyen simple de trouver la différence entre deux dates est de prendre la différence NDVI, mais cette différence n'a de sens que si les images peuvent être comparées.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : perte de couverture possible (séchage, coupe, construction) ΔNDVI ≈ 0 : pas de changement ΔNDVI >> 0 : augmentation de la couverture possible (verdissement, restauration) ATTENTION : La différence peut refléter un changement réel ainsi que des différences de saison/nuage/angle du soleil/calibrage. Différence = changement réel + bruit.
Attention : les nuages, l'ombre des nuages et la saisonnalité sont les plus grands détracteurs de l'analyse du changement. La zone située sous l'ombre d'un nuage donne un faible NDVI et ressemble à une "perte de végétation". Lorsque LLM effectue l'interprétation d'images, le modèle peut confondre ces artefacts avec l'événement réel. Assurez-vous de vérifier les métadonnées de l'image (date, pourcentage de nuages, angle du soleil).
Interprétation d’index et récit de carte avec l’IA
LLM est utile pour traduire des résumés d'index numériques en un récit simple et produire des projets de rapports. Donnez-lui les statistiques et métadonnées NDVI brutes et demandez-lui de générer le commentaire pour que vous puissiez le vérifier.
INVITE FAIBLE : « La zone humide est-elle devenue plus petite sur cette image satellite ? » INVITE FORTE : "Je donne deux statistiques NDVI datées (même zone, même capteur) : 2020-07-15 NDVI moyen = 0,61 nuage = 3 % angle du soleil = 58 ° 2025-07-12 NDVI moyen = 0,42 nuage = 22 % angle du soleil = 55 ° Zone d'intérêt : roselière au bord du lac, ~ 40 hectares. Votre tâche : 1) Calculer ΔNDVI et énumérez les interprétations possibles. 2) Énumérez les raisons (nuage, ombre, niveau d'eau, saison, étalonnage) pour lesquelles cette baisse pourrait être due (nuage, ombre, niveau d'eau, saison, étalonnage) AUTRE QUE la perte de couverture RÉELLE. 3) Pour chaque cause possible, suggérez une étape de VÉRIFICATION pour la distinguer (par exemple, sélection d'image sans nuage, visite sur le terrain, enregistrement du niveau d'eau). la vérité le confirme.
L'invite forte oriente le modèle non pas vers une seule conclusion définitive mais vers un plan d'explications et de vérifications alternatives. Le fait que l’image de 2025 contienne 22 % de nuages rend ce déclin suspect en soi.
Vérification de la vérité sur le terrain
La référence en matière d’interprétation par télédétection réside dans la vérification des points avec des observations et des mesures effectuées sur le terrain. Vous enregistrez la couverture terrestre réelle avec le GPS à plusieurs points de référence et la comparez avec la classification des images. Si le champ indique « roseaux secs » dans le pixel là où l'IA ou l'algorithme indique « eau », la classification n'est pas fiable.
mini-étui
Dans le cadre de la surveillance de l'impact environnemental d'un site minier, l'équipe a rédigé « 15 hectares de perte de forêt due à l'activité minière » sur la base de la réduction du NDVI calculée à partir de l'image satellite et a étendu l'interprétation dans un LLM ; le modèle a produit un récit fluide et convaincant. Cependant, lorsque le rapport a été vérifié par l'équipe sur le terrain, il a été constaté qu'une partie de la zone à faible NDVI était en fait une parcelle agricole récoltée et qu'une partie était une ombre nuageuse qui coïncidait avec le jour de la prise de vue. La perte réelle de forêt était d'environ 4 hectares, et non 15. Si les métadonnées (masque nuageux) et la couche d'utilisation des terres avaient été vérifiées au préalable, l'erreur aurait été évitée en premier lieu. Les phrases soignées de LLM n'ont pas fait de mauvaise saisie.
Erreurs courantes
- Comparer différentes images de saison/angle du soleil et confondre la différence saisonnière avec un « changement ».
- Interpréter les nuages et leur ombre comme une perte réelle de couverture ; contourner le masque nuageux.
- Faire des jugements précis à partir de données de pixels sur de petits objets dépassant la résolution spatiale.
- Mauvais calcul des zones et des distances en raison d'une inadéquation entre le système de coordonnées et la projection.
- Penser que le NDVI est une mesure absolue de la santé et traiter l’eau et les pixels d’ombre comme s’il s’agissait de plantes.
- Insérer le récit de la carte fluide de LLM dans le rapport comme une conclusion finale sans vérité terrain.
- Rapporter les résultats sans documenter les métadonnées (date, capteur, pourcentage de nuage, niveau de traitement).
En résumé
- Les analyses SIG sont construites sur des couches alignées dans un système de coordonnées commun ; Une erreur de projection fausse le résultat.
- Les résolutions spatiale, spectrale, temporelle et radiométrique limitent ce qu'une image peut montrer.
- NDVI = (NIR−RED)/(NIR+RED) est un indicateur conditionnel de la vigueur des plantes, et non une mesure absolue de la santé.
- Dans l'analyse du changement, différence = vrai changement + bruit ; Les nuages, l’ombre et la saison sont les plus grands trompeurs.
- Le LLM produit l'interprétation de l'index et le plan narratif de la carte, mais ne « voit » pas l'image satellite ; Commentaires selon le numéro que vous donnez.
- L’interprétation de l’IA et la classification automatique ne peuvent pas être traduites en résultats environnementaux finaux sans vérification avec la vérité terrain et les métadonnées.
Tâche de candidature
Créez ou assumez deux résumés NDVI datés pour un champ (soit de votre choix, soit d'un échantillon) ; Notez les métadonnées (date, pourcentage de nuages, angle du soleil, capteur) pour chaque date. Calculez ΔNDVI. Écrivez une invite forte et demandez au LLM de demander non seulement le changement de couverture réel, mais aussi des explications alternatives (nuage, ombre, saison, niveau d'eau, étalonnage) et une étape de vérification pour chacune. Rédigez ensuite un « plan de vérification de la vérité sur le terrain » : au moins trois points de référence, ce qui sera mesuré sur le terrain et comment cela sera comparé à l'interprétation de l'image. Enfin, marquez quelle déclaration dans le récit produit par LLM est « ne peut pas être incluse dans le rapport sans vérification » et écrivez la raison.