Gains :
- Comprendre la logique de la détection basée sur l'IA de l'étalement urbain, de la construction et du changement de couverture terrestre grâce à la télédétection et à l'imagerie satellite.
- Capacité à évaluer de manière critique la classification des images et à modifier les résultats de détection avec des informations de précision, de résolution et de date
- Capacité à comprendre que les limites que l’IA extrait de l’image doivent être confirmées par des documents de terrain et officiels et ne peuvent constituer une preuve juridique.
Il est impossible d’aller sur le terrain un par un pour voir où, dans quelle mesure et à quelle vitesse une ville s’est développée au cours de la dernière décennie. Au lieu de cela, les planificateurs utilisent la télédétection (imagerie de la Terre à l’aide de satellites et d’avions et extraction de données). En comparant des images satellite de différentes dates, vous pouvez détecter de nouvelles constructions, des terres agricoles perdues, une expansion des constructions illégales ou une diminution des espaces verts. L’IA est un puissant accélérateur pour classer ces images (en étiquetant chaque pixel comme « structure », « plante », « eau », etc.) et détecter les changements entre deux dates. Mais l’analyse d’images est pleine d’erreurs de résolution, de date, d’ombre, de nuage et de classification. Un « changement » que l’IA signale pourrait être une ombre, une différence saisonnière ou une erreur. Par conséquent, aucune conclusion tirée de l’image ne peut servir de base à une action en justice sans être confirmée par des documents de terrain et officiels.
Concepts de base de la télédétection
Résolution : La surface occupée par un pixel au sol. À une résolution de 10 mètres, un pixel représente 10x10 mètres ; Une petite dépendance n'est pas visible. Une haute résolution (par exemple 0,3 à 1 mètre) signifie plus de détails mais des données plus coûteuses et moins fréquentes.
Bande spectrale : les satellites enregistrent également la lumière que l'œil ne peut pas voir (comme l'infrarouge). La végétation brille dans l’infrarouge ; cela facilite la séparation de la plante de la structure. Des indices tels que le NDVI (un simple calculateur qui mesure la vigueur des plantes) sont courants dans le suivi des terrains vierges.
Date et saison : Si deux images sont à des saisons différentes, la diminution du vert peut ne pas être une « perte » mais l'arrivée de l'hiver. L’harmonie des dates et des saisons est essentielle en comparaison.
Précision : valeur qui mesure la précision de la classification. « 85 % de précision » signifie qu'un pixel sur six peut être mal étiqueté ; Il s’agit d’une marge d’erreur importante pour un processus d’audit.
Attention : Une structure détectée par l'IA à partir d'une image satellite n'est pas, en soi, la preuve d'une structure illégale. Les erreurs d’ombre, de résolution, de date et de classification produisent des faux positifs. L'inspection et l'application nécessitent toujours un contrôle du site, un enregistrement du titre de propriété/licence et des mesures officielles.
La plus grande valeur que les données satellitaires gratuites et ouvertes (sources telles que les programmes européens Sentinel et Landsat aux États-Unis) apportent à la planification est la série chronologique historique : vous avez accès à des dizaines d'images de la même zone s'étalant sur plusieurs années. Cela vous permet d'aller au-delà d'une simple comparaison « avant/après » et de voir le taux d'étalement, les fluctuations saisonnières et la tendance d'un quartier. L’IA est utile pour résumer ces longues séries et séparer les modèles de changement significatifs du bruit. Mais la même règle s’applique aux séries chronologiques : aussi claire qu’une tendance puisse apparaître, c’est la résolution des images, le taux de nébulosité et la saisonnalité qui déterminent le résultat ; Aucune tendance ne peut être considérée comme fiable sans tenir compte de ces trois facteurs.
Logique de détection des changements
Il existe plusieurs façons de comparer deux images datées : classer les deux dates et comparer les classes, obtenir la différence d'indice (par exemple la différence NDVI) ou produire directement une carte "modifiée/non modifiée" avec le modèle d'IA. Le résultat est une carte du changement : où est la nouvelle structure, où est la plante perdue. Cette carte est d'une valeur inestimable en tant que sélection préliminaire : elle indique au planificateur de « regarder là-bas ». Mais chaque signe est vérifié séparément s'il s'agit d'un changement réel ou d'une erreur.
Étape par étape : analyse du changement basée sur l'IA
- Définissez la question. « Où en sont les nouvelles constructions dans [la région] entre 2018 et 2024 ?
- Sélectionnez une image. Saison similaire, résolution acceptable, nuages bas.
- Prétraitement. Amenez-le au même CRS, alignez, appliquez un masque nuage/ombre.
- Classer/comparer. Générez une classe ou changez de carte avec l'IA.
- Évaluer l’exactitude. Mesurez la précision avec des points de référence connus.
- Confirmation de terrain et d'inscription. Vérifiez les modifications marquées avec le titre de propriété/licence et le site si nécessaire.
- Limites de rapport. Écrivez clairement la date, la résolution, l’exactitude et la marge d’erreur.
Invite faible/Invite forte
Invite faible : "Dites-moi ce qui a changé par rapport à ces deux images."
L’IA produit une liste jolie mais incertaine ; Vous pensez peut-être que la différence de teinte et de saison est un véritable changement.
Invite forte : "Je compare des données classifiées sur la couverture terrestre de deux dates (juillet 2018/juillet 2024, même saison, résolution de 10 m). Lorsque vous signalez une analyse de changement, indiquez clairement : quels changements peuvent être des faux positifs en raison de l'ombre/de la saison/de la résolution, quelles déterminations nécessitent une vérification sur le terrain et comment la précision doit être mesurée. Ne soyez pas définitif ; notez chaque résultat avec « confirmation sur le terrain requise ».
La deuxième invite oblige l'IA à communiquer clairement l'incertitude et les sources d'erreur.
Quatre modèles copiables
Tâche : Évaluez de manière critique le résultat de détection de changement suivant. Lister les sources d'ERREURS possibles pour chaque détection : ombre, nuage, saison, résolution, erreur de classification. Ajouter la note « Confirmation de champ requise ». Ne portez pas de jugement définitif. Constatations / date / résolution : [...]
Tâche : Rédigez une liste de contrôle des critères de sélection d'images pour une analyse des changements urbains : saisonnalité, résolution, taux de nébulosité, plage de dates, CRS. Créez des questions pour demander si les images dont je dispose répondent à ces critères. Informations sur les images : [...]
Tâche : RÉDIGER un rapport à partir des résultats suivants de l'analyse des changements. Indiquez clairement la résolution, la date, l’exactitude et la marge d’erreur de chaque résultat. Présentez les résultats comme une « présélection » ; Insistez sur le fait qu'une confirmation sur le terrain et un dossier officiel sont requis pour l'inspection/sanction.Conclusions : [...]
Tâche : Suggérer une manière simple d'évaluer l'exactitude de la classification : combien de points de référence, comment choisir, comment calculer l'exactitude (explication claire). Quelle déclaration de vérité doit être écrite dans le rapport, exemple.Contexte : [...]
Un tableau : type de données et utilisation
Données
résolution
point fort
limite
satellite à moyenne résolution
10-30m
Zone gratuite, fréquente et étendue
Il manque une petite structure
satellite haute résolution
0,3-1 m
Détection de structure détaillée
Risque de cloud coûteux et clairsemé
Photo aérienne / orthophoto
0,1-0,3 m
Très détaillé, formel
La fréquence de mise à jour est faible
Drone (drone)
niveau en cm
Instantané, très détaillé
Petit espace, permis/législation
trois mini-cases
Cas 1 – Illusion d’ombre. Une municipalité voit des panneaux « nouvelle construction » dans un quartier sur la carte des changements de l'IA. L'équipe de terrain s'en va ; La plupart des signes sont de longues ombres qui se forment sur l’image de l’après-midi. Le nombre réel de nouvelles constructions représente la moitié de celui des signes. L’IA avait fait l’objet d’une présélection, mais si elle était utilisée sans confirmation, elle produirait de faux procès-verbaux.
Cas 2 — Échapper à une petite structure. Un planificateur tente de suivre de petits entrepôts dans un champ agricole avec un satellite gratuit d'une résolution de 10 mètres. Les entrepôts mesurant 6x8 mètres, ils restent sous un pixel et ne sont pas visibles. Le planificateur passe à l'orthophoto haute résolution pour un suivi réel. La résolution détermine ce qui peut être vu.
Cas 3 — Rapport transparent. Une équipe analyse l'étendue d'une région sur 6 ans et écrit clairement dans le rapport que « les détections sont une analyse préliminaire avec une précision de 82 % ; 47 points attendent une confirmation sur le terrain ; les dates et la résolution des images sont jointes ». Le Parlement évalue le résultat avec le bon poids. Signaler l’incertitude plutôt que de la cacher rend l’analyse fiable.
Erreurs courantes
- Confondre la détection avec une preuve. L'image est pré-numérisée ; Cela nécessite des sanctions et un enregistrement officiel.
- Inadéquation saison/date. Différentes images saisonnières produisent de fausses variations.
- Ignorer la résolution. Les petites structures ne sont pas visibles à basse résolution ; Ce n'est pas "aucun".
- Défaut de signaler l'exactitude. Cacher la marge d’erreur conduit à de mauvaises décisions.
- Oublier l'ombre et le nuage. Les deux sources les plus courantes de faux positifs.
- Inadéquation CRS. Les images non alignées changent au mauvais endroit.
En résumé
L’imagerie satellitaire et aérienne constitue le moyen le plus efficace d’observer les changements urbains à grande échelle et à grande vitesse ; L’IA accélère la classification et la détection des changements. Mais la résolution détermine ce qui peut être vu, la saison et la date déterminent ce qui est réel, les ombres et les nuages déterminent ce qui est un faux positif. La précision doit toujours être mesurée et rapportée. Plus important encore : la détection à partir de l’image est un pré-scan ; Le contrôle sur le terrain, l'enregistrement du titre de propriété/licence et les mesures officielles sont essentiels à l'inspection et à la sanction. L’IA accélère la vision, pas la prise de décision.
Tâche de candidature
Considérons une paire d'images (ou de scénarios) avec deux dates différentes. (1) Vérifiez les critères de sélection des images avec le deuxième modèle : saison, résolution, le nuage convient-il ? (2) Supposons une liste de détections de changements et extrayez les sources d'erreur possibles pour chaque détection avec le modèle initial. (3) Produire un projet de rapport avec le troisième modèle et ajouter de la précision et une marge d'erreur. (4) Notez quelles déterminations nécessiteront une confirmation sur le terrain et comment vous procéderez.
liste de contrôle
- [ ] J'ai vérifié la compatibilité des saisons, des dates et des résolutions des images.
- [ ] J'ai aligné les images sur le même CRS ; J'ai pris en compte le masque nuage/ombre.
- [ ] J'ai traité les détections de changements comme une sélection préliminaire, et non comme une preuve.
- [ ] J'ai évalué et signalé l'exactitude de la classification.
- J'ai confirmé les modifications marquées [ ] avec les enregistrements de terrain et officiels.
- [ ] J'ai noté ce que la limite de résolution pourrait manquer.
- [ ] J'ai clairement écrit la date, la résolution et la marge d'erreur dans le rapport.