Dans le cadre de ses activités R&D, notre partenaire Makina Corpus a proposé à deux étudiants de l’École Polytechnique Fédérale de Lausanne (EPFL), Laura Bissel et Michael Perna, de se pencher sur la question du suivi de l’évolution du paysage en utilisant du deep-learning.

Les deux élèves suivent le master en sciences et ingénierie de l’environnement à l'EPFL avec pour spécialité “monitoring et modélisation de l’environnement”. Ils ont travaillé sur le sujet tout le long du semestre, encadré par le Docteur Iordan Doytchinov, collaborateur scientifique au laboratoire TOPO de l'EPFL, et l’équipe R&D de Makina Corpus. Voici un aperçu de leurs travaux et résultats !

Des observatoires photographiques du paysage sous valorisés

Le Ministère de l’Aménagement du Territoire et de l’Environnement a mis en place, en 1991, des Observatoires Photographiques du Paysage (OPP) pour analyser les mécanismes de transformations des paysages dans le but de comprendre et d'orienter favorablement leur évolution. Ces observatoires sont cependant très peu valorisés : aucun OPP ne propose d’indicateur permettant de suivre l’évolution du paysage alors que c’est le principe même de leur existence.

Un projet d’automatisation de calcul des indicateurs

L’objectif du projet était de mettre en place des indicateurs pertinents pour l’analyse de l’évolution d’un paysage dans le cadre d’un OPP. Makina Corpus avait pour ambition que ces indicateurs puissent être calculés automatiquement, sans intervention humaine. Pour ce faire, il a été proposé d’appliquer des techniques de deep-learning, en particulier de segmentation sémantique, afin de détecter les différents éléments qui constituent un paysage et de les suivre d’image en image, d’année en année. La segmentation sémantique par réseau de neurones est une méthode qui a l'avantage de détourer les éléments détectés sur une image, permettant ensuite des analyses plus poussées.

Les résultats

Le jeu de données à disposition est composé d’environ 2 000 images terrestres qui suivent l’évolution de plus de 600 paysages. Ce jeu de données n’est cependant pas assez renseigné pour constituer un jeu de données efficace pour l’entraînement d’un réseau de neurones. Une des principales difficultés a donc été de trouver un jeu de données approprié à la thématique afin de pouvoir ensuite effectuer des tests de détection avec un algorithme entrainé sur ce même jeu de données.

Le réseau de neurones PSPnet, entrainé sur le jeu de données MIT Scene Parsing, a été utilisé pour ces premiers tests. Chaque pixel de l'image est ainsi dans l'une des catégories que le réseau est entrainé à détecter. Pour plus de simplicité, seulement 7 catégories générales, représentatives d'un paysage, sont utilisées pour la classification finale des éléments de l'image : ciel, végétation, bâti, route, eau, sol naturel et bruit. La classe de bruit contient les éléments non-représentatifs d'un paysage, qui auraient pu ne pas être sur la photo (piétons, véhicules...).

La segmentation sémantique a ensuite été appliquée sur des séries temporelles de paysages. Le cadrage n'étant pas toujours exactement le même entre les images de la série temporelle, un redressement est d'abord effectué pour ne pas biaiser les résultats.

Des matrices de changements, aussi appelées matrices de confusion, permettent de quantifier la stabilité globale du paysage entre deux photos, en comptabilisant le nombre de pixels dans chacune des catégories sur chaque image. Il est alors possible de détecter les catégories qui ont eu une modification importante de leur nombre de pixels entre les deux clichés.

La lecture de cette matrice n'étant pas forcément évidente, les étudiants ont proposé un graphique qui permet de visualiser rapidement l'évolution de chacune des catégories du paysage au fil du temps et de mettre en avant les changements majeurs ayant éventuellement lieu au cours de la série temporelle. Un changement majeur est défini selon un seuil sur l'indice de stabilité : s'il est inférieur à 0.9, on considère qu'une modification remarquable a eu lieu.

Les prochaines étapes

Laura et Michael ont présenté le projet et les résultats fin mai à l'EPFL. Ils ont été récompensés à cette occasion pour la qualité de leur poster exposant le sujet.

Malgré quelques erreurs de classification, les étudiants ont démontré l'efficacité du deep-learning pour valoriser ce jeu d'images et la faisabilité du projet. La prochaine étape serait alors d'entraîner nous-même un réseau de neurones pour l'adapter au mieux à notre jeu de données et améliorer les performances du traitement.

Ces indicateurs du paysage établis automatiquement pourraient ensuite servir à estimer, par exemple, la tendance d'évolution globale d'un territoire.