SpaceSense a développé un algorithme d’IA qui permet de résoudre le principal problème du suivi des cultures par satellite: les nuages. Basé sur de l’imagerie radar et un modèle d’IA, cette solution fournit une image NDVI de la parcelle avec une précision supérieure à 90%, et est globale.
Les nuages couvrent en moyenne 50% de la surface de notre planète à tout moment, et impactent certaines régions de façon disproportionnée (dédicace au Nord-Pas-de-Calais!), notamment les régions tropicales. Cela rend un suivi régulier des parcelles par satellite difficile voir impossible, puisqu’il y a parfois plusieurs semaines, voire plusieurs mois, sans image satellite utilisable.
C’est ce problème qui a motivé un client de SpaceSense a demander le développement d’une solution qui pourrait contourner ce problème, afin de leur permettre de suivre le développement de cultures dans différentes régions du monde de façon fiable, à très grande échelle (plusieurs milliers d’hectares pour chaque région).
Une solution basée sur deux technologies innovantes
Le challenge est de taille et peut être découpé en deux parties principales :
- Trouver un mécanisme fiable pour “voir” à travers les nuages
- Adapter ce mécanisme pour qu’il puisse s’adapter aux grandes variations de climat et type de végétation dans différentes régions du monde
Pour la première partie du problème, nous allons faire appel à l’imagerie satellite radar. Ce type de données satellites fonctionne différemment de l’imagerie traditionnelle. Le satellite va envoyer un signal radar qui va pénétrer les nuages, rebondir sur le sol, puis repartir vers le satellite. C’est ce signal qui, s’il est bien interprété, peut être transformé en information utilisable. Si vous souhaitez en savoir plus sur l’imagerie radar, nous avons un article dédié.
C’est donc ce signal radar qui va nous permettre de “voir” à travers les nuages. Mais il va falloir réussir à transformer ce signal brut en une carte NDVI qu’un agriculteur peut interpréter. C’est là que l’IA entre en jeu.
Nous avons fait le choix d’une approche de deep learning, qui est une méthode d’apprentissage basée sur un gros volume de données. Nous avons fourni des milliers de km² de parcelles à l’algorithme, sur différentes saisons. Pour chaque parcelle, nous fournissons au modèle le signal radar, et l’image NDVI, pour qu’il apprenne à identifier les corrélations entre les deux.
Et après plusieurs jours ininterrompus d’entraînement, nous avons obtenu un modèle capable de convertir un signal radar en une image NDVI avec une précision de plus de 90%.
Comme vous pouvez le voir sur les résultats ci-dessus, le modèle obtient de très bons résultats sur les parcelles, mais à parfois une tendance à lisser un peu les variations locales. Cela se voit particulièrement sur les zones urbaines, pour lesquelles la solution n’est pas adaptée.
Enfin pour gérer le problème de variation de climat et de type de végétation, nous avons fait le choix de créer des modèles locaux. Ainsi nous avons développé une chaîne de traitement qui permet d’entrainer un modèle régional en quelques heures, partout dans le monde. Nous avons déjà fait cela pour la France, l’Italie, le sud-est des Etats-Unis et l’Estonie, toujours avec des performances supérieures à 90%.
La solution vous intéresse? Vous souhaitez savoir si elle peut s’adapter à vos besoins? Contactez-nous pour en discuter!
