Publications

Comment l'IA lutte contre le réchauffement climatique ?

22 avril 2021

Découvrez le rôle de l'IA à bord des satellites dans la lutte contre le réchauffement climatique !

À l’heure du smartphone et de la visioconférence, le volume d’images qui transite sur nos réseaux croît très rapidement, et il en est de même dans l’espace. Le nombre de satellites civils ou militaires qui font de l’observation de la terre a été multiplié par quatre sur ces trois dernières décennies [1]. Pour faire face à ce flux d’images nouvelles qui nous en disent plus sur l’état de notre planète, des technologies de Machine Learning (ML) peuvent être utilisées. En effet, le succès du ML repose en partie sur ses performances en analyse d’image. Son usage s’est d'ailleurs déjà démocratisé dans de nombreux secteurs tels que l’aéronautique, la Défense, le médical etc. Cet afflux de nouveaux satellites d’observation fait suite aux effets immédiats de l’urgence climatique. 

1- Quel est le rôle de l’imagerie satellite dans l’observation de l’environnement ?

De nombreux scientifiques et ingénieurs ont d’abord utilisé de l’IA au sol pour traiter les volumes d’image. Dorénavant ils cherchent à embarquer l’IA dans le système d'imagerie satellitaire afin d’augmenter leurs performances et réduire les volumes de transmissions. En 2020, le pas fut franchi suite au déploiement du premier satellite d’observation de la Terre doté d’intelligence artificielle par  l'Agence Spatiale Européenne (ESA) [2]. Bien qu'utilisée depuis peu dans le domaine médical, l'imagerie par satellites contribue déjà depuis quelques années à la lutte contre le réchauffement climatique. En effet, les images envoyées depuis le satellite fournissent une observation détaillée de l’état de notre planète allant jusqu’à une résolution de 5 mètres [3]. Cela joue un rôle clé par exemple dans le suivi des objectifs de développement durable. La baisse drastique du coût de mise en orbite terrestre d’un satellite ces dernières décennies  a fortement stimulé cette activité. Par conséquent les envois de satellites ont explosé, puisque l’on en dénombrait seulement 500 en 1990 contre 2063 en 2020 [1]. Parmi eux 38 % étaient dédiés à l’observation terrestre [4]. Leur rôle, à l’image du nanosatellite Venµs lancé en 2018, est de fournir des indicateurs qui traduisent l’état d’un écosystème (forêts, océans, hausse ou baisse des températures) [5]. 

2- Comment gérer un flux d’image toujours plus important ?

La multiplication du nombre de satellites donne nécessairement lieu à un accroissement proportionnel de la volumétrie d’images à traiter et à analyser par les chercheurs en météorologie. L’augmentation de la volumétrie s’explique aussi par les progrès technologiques. En effet, la sophistication récente des équipements d'imagerie satellitaire permet d’envoyer toujours plus d’images, dans de plus hautes résolutions. Par conséquent, le volume d’images climatologiques à analyser par l’Homme grandit de manière exponentielle.

Comme il n’est pas possible de faire croître dans la même mesure le nombre de climatologues et de spécialistes d’analyses de données climatologiques, l'automatisation est nécessaire.

L’analyse d’images par des IA permet de résoudre deux problèmes. Tout d’abord au sol, où elle assiste les scientifiques en automatisant l’analyse d’images pour réduire leur charge de travail. Sans l’implémentation de solutions de machine learning, les spécialistes se retrouveraient face à un goulot d'étranglement devant le volume de données à analyser.

Ensuite à bord du satellite, où l'analyse d’images  réduit les volumes à transmettre et donc les besoins énergétiques du satellite pour ces transmissions [6]. Réduire les volumes de transmission est essentiel car celles-ci s’effectuent par ondes radio. Or ces dernières sont de plus en plus encombrées voire saturées; et cela ne va pas aller en s’arrangeant. Il devient urgent de ne transmettre que de l’information utile, et non des monticules de données brutes. Par exemple, l'utilisation du  Machine Learning permet de détecter la présence de nuages obstruant le contenu de l’image et d’éviter l’envoie d’information si elle ne sera pas utile au sol. 

3- Les cas d’usage de l’IA dans l’imagerie satellite :

L’observation en continue de notre planète permet de suivre l’évolution de l’ensemble des facteurs environnementaux. Ainsi, il est possible de suivre aussi bien la fonte des glaces, la déforestation,  l’assèchement ou  la montée des eaux sur certains territoires. L’IA compare les images satellites et identifie tout changement environnemental y compris dans des zones non-habitées ou qui ne ne disposent pas de systèmes de suivi climatique sur le terrain.

Mais le rôle de l’IA dans l’analyse d’images satellite ne s’arrête pas à la simple détection de changements. En effet, elle permet de concevoir des outils dont le but est de prédire l’évolution climatique d’un territoire et de lancer des alertes si nécessaire. Il est, par exemple, possible d’établir un outil de détection de montée des eaux qui enverra une alerte au centre météorologique pour prévenir d’une inondation à venir.  

Un projet mené en 2020  par l'Institut d’Alan Turing visait à repérer, suivre et étudier la désintégration des icebergs dans la mer d'Amundsen via une technique d'apprentissage automatique. Ces algorithmes d’IA ont donc été conçus dans le but de prédire l’évolution des banquises et de potentiellement révéler et de prédire l’évolution des populations d'icebergs et leurs trajectoires dans les mers côtières [7]. 

L’Intelligence artificielle offre la possibilité d’analyser et de croiser un nombre important de variables climatiques. La combinaison de données terrestres et spatiales apporte des données essentielles pour établir des corrélations entre ces variables. Cela dans le but de mieux comprendre les enjeux environnementaux et d’y apporter des solutions. Elle fournit à l’ensemble des décideurs (ONG, gouvernements et simples citoyens) des éléments clés de lecture sur l’évolution du climat et ses impacts sur nos vies.

 

Numalis

We are a French innovative software editor company providing tools and services to make your neural networks reliable and explainable.

Contact us

Follow us