L'IA cartographie désormais les bidonvilles mondiaux depuis des satellites à basse résolution

Près d'un quart de la population urbaine mondiale vit dans des établissements informels — des lieux coupés de l'infrastructure urbaine et des services de base. La plupart des maisons dans ces zones ne respectent pas les réglementations de construction et elles sont situées dans des régions environnementalement et géographiquement dangereuses.

Des approches basées sur l'apprentissage automatique, rentables

La cartographie de ces régions peut aider les ONG à mieux servir ceux dans le besoin. Cela permettrait aux locaux d'évoluer de manière significative et d'obtenir une meilleure qualité de vie. Cependant, la cartographie de telles zones est une tâche difficile qui demande beaucoup de ressources humaines et financières dédiées.

Pour relever de tels défis, une équipe internationale de chercheurs a construit un système basé sur l'apprentissage profond qui peut détecter et cartographier automatiquement les établissements informels en utilisant des images satellitaires et aériennes disponibles gratuitement. Il prend des images satellitaires en entrée (en format brut utilisateur) et fournit un classificateur entraîné qui génère des cartes binaires mettant en évidence les zones d'établissements informels.

Les chercheurs ont développé et largement validé deux méthodes basées sur l'apprentissage automatique pour identifier et cartographier les établissements informels. L'une est rentable, et l'autre est coûteuse mais essentielle pour le traitement de l'information contextuelle. Ensemble, ces méthodes peuvent classifier à quoi ressemble le spectre d'un établissement informel.

La première méthode utilise des Forêts de Corrélation Canonique (une méthode d'ensemble d'arbres de décision pour la classification et la régression) efficaces sur le plan computationnel pour apprendre le signal spectral des établissements informels à partir d'images satellitaires à basse résolution.

La deuxième méthode utilise un réseau de neurones convolutif avec des images satellitaires à très haute résolution pour extraire des caractéristiques plus fines. L'équipe a démontré la généralisation des méthodes proposées pour identifier les établissements informels non seulement dans des régions locales, mais globalement.

Référence : arXiv:1901.00861

Les réseaux de neurones convolutifs sont entraînés sur des images satellitaires à basse résolution, haute résolution et très haute résolution, en utilisant 8 GPU NVIDIA Tesla V100 avec 16 Go de mémoire chacun. Puisque l'obtention d'une très haute résolution est un peu coûteuse, les chercheurs ont trouvé une approche rentable qui utilise des images satellitaires à basse résolution.

Établissements formels et informels à Kibera, Nairobi | Avec l'aimable autorisation des chercheurs

L'équipe a publié deux référentiels d'établissements informels pour les images satellitaires à basse résolution et très haute résolution, avec les vérités terrain associées. Ils ont également fourni tout le code source et les modèles sur GitHub.

En raison des différences dans les établissements informels à travers le monde et des incertitudes au sein du terrain, ce système pourrait être extrêmement utile pour tester les techniques d'apprentissage par transfert et de méta-apprentissage. Les chercheurs prévoient d'appliquer des techniques bayésiennes pour caractériser les incertitudes via des modèles probabilistes.

De plus, une zone d'un kilomètre carré d'établissements informels pourrait abriter plus de 129 000 personnes. Ainsi, chaque pixel pourrait représenter 13 personnes. Ces types de calculs pourraient vraiment aider les gouvernements et les ONG à comprendre quelle aide doit être fournie et quelle infrastructure est requise.