Analysis d’images multi-modales d’observation de la Terre – MAESTRIA

Le projet MAESTRIA (Multi-modAl Earth obServaTion Image Analysis) vise à résoudre les verrous méthodologiques relatifs à l'analyse automatique des gros volumes d'images acquises par les satellites d'Observation de la Terre (OT). MAESTRIA a pour finalité la production de cartes d'occupation et d'usage du sol à l'échelle de la France pour une large gamme de résolutions spatiales et de classes. Ainsi, sera généré un continuum de représentations cohérentes spatialement et sémantiquement et qui pourront être exploitées par un grand nombre d'utilisateurs et d'applications.
MAESTRIA s'adresse autant au suivi de politiques publiques locales ou nationales qu'à la communauté scientifique dont les modèles ont besoin de telles entrées: climatologie, planification urbaine, suivi des cultures, analyse de l'impact écologique du changement des surfaces... Les sorties du projet MAESTRIA sont doubles: (i) des méthodes qui résolvent les challenges actuels en analyse d'images d'OT et (ii) la mise à disposition de cartes d'occupation du sol (OCS) précises et actuelles allant de 2 à 100m de résolution spatiale. Méthodes et produits seront disponibles pour tous afin de
stimuler la recherche et la création de services se fondant sur ces entrées.
Beaucoup de cartes mondiales et nationales d'OCS ont été établies ces 20 dernières années mais elles ne répondent aux besoins actuels d'actualité et de précisions géométriques et sémantiques. En parallèle, un grand nombre d'articles de la littérature ont abordé l'exploitation automatiques d'images
d'OT mais la plupart se focalise sur un milieu, un capteur et un besoin spécifique. Ces méthodes ne sont pas flexibles ni adaptées au changement de paradigme avant l'avènement des missions satellites avec des temps de revisite de plus en plus court et des résolutions spatiales qui augmentent.
Ces tâches d'analyse d'images sont complexes à cause de la nature physique hétérogène de celles-ci. Il faut désormais être capable de proposer des méthodes qui exploitent de manière optimale les informations complémentaires fournies par une grande gamme de capteurs (optique+radar). La
complexité augmente avec le passage à l'échelle et la volonté de garantir une qualité homogène en tout point d'un pays.
Trois verrous méthodologiques seront abordés. Tout d'abord, il s'agit de la fusion de multiples capteurs afin d'extraire les informations pertinentes du gros volume de données hétérogènes puis leur représentation éparse (attributs). Cela garantit de limiter la quantité d'information requise pour le
processus de classification supervisé sous-jacent. Ensuite, aucune méthode d'apprentissage très grande échelle avec informations bruitées n'a été proposée jusqu'à présent. Le bruit peut venir des images comme des étiquettes en entrée. Il s'agit alors de développer (i) des stratégies
d'apprentissage semi-supervisé qui évacuent le besoin en données d'apprentissage équilibrées et précises puis (ii) des procédures d'optimisation efficaces en tenant compte de millions d'échantillons et de milliers d'attributs. Enfin, nous cherchons à développer des méthodes de dérivation
automatiques d'OCS à différents niveaux de détails géométriques et sémantiques à partir de celles générées dans les deux premières tâches. Ainsi, nous obtiendrons un continuum de représentations consistantes spatialement et sémantiquement entre 2 et 50-100m de résolution. Il s'agit d'un
problème de segmentation sémantique à plusieurs échelles et qui tient compte des incertitudes et incohérences entre échelles et dans les processus de classification. Les cartes OCS obtenues le seront en concertation avec des utilisateurs finaux, répondant à des besoins sociétaux ou
scientifiques précis. Les méthodes développées seront disponibles en open-source, tout comme les OCS générées pour une plus grande dissémination et exploitation. MAESTRIA bénéficie du pole de données Théia tant au niveau infrastructure, soutien institutionnel et valorisation vers les sociétés privées de service.