Étude de cas : Annoter l'expansion urbaine à l'aide de l'IA et de cartes satellites

Pourquoi suivre l'expansion urbaine ? 🌆

L'expansion urbaine est l'un des indicateurs les plus visibles de la croissance économique, de l'augmentation de la population et du développement des infrastructures. Mais si l'urbanisation est souvent source d'opportunités, l'étalement incontrôlé peut créer plus de problèmes qu'il n'en résout. C'est pourquoi le suivi de la croissance urbaine, notamment grâce à l'imagerie satellite annotée et à l'IA, n'est plus facultatif. C'est essentiel.

Voici pourquoi le suivi de l'expansion urbaine est important pour les villes et les régions du monde entier :

🌍 Gérance environnementale

Les constructions non réglementées empiètent fréquemment sur les forêts, les zones humides et les zones protégées. Sans surveillance en temps réel, la déforestation illégale, la fragmentation de l'habitat et la dégradation des zones humides peuvent passer inaperçues pendant des années. L'imagerie satellite annotée permet de détecter rapidement les changements de couverture terrestre et permet aux autorités d'agir rapidement.

🏘️ Infrastructures et services publics

À mesure que l'empreinte urbaine augmente, le besoin de services publics étendus augmente également : routes, eau, égouts, écoles et hôpitaux. Mais lorsque l'urbanisation dépasse la planification, les nouveaux établissements n'ont souvent pas accès aux services publics de base. Grâce à des données précises sur les zones d'expansion, les urbanistes peuvent mieux prévoir les besoins en infrastructures et déployer les ressources de manière stratégique.

🚨 Risque de catastrophe et résilience

Dans de nombreuses villes à croissance rapide, des établissements informels apparaissent dans des zones à haut risque, telles que des plaines inondables, des collines ou des couloirs industriels. Le suivi de la croissance urbaine permet d'identifier ces développements sujets aux risques. Combinés à des données satellitaires historiques, les modèles d'IA peuvent contribuer à la préparation aux catastrophes en modélisant les zones à risque d'inondation ou en simulant des îlots de chaleur urbains.

📈 Politique économique et sociale

Comprendre comment une ville se développe révèle des modèles de migration, d'accessibilité et d'inégalité. Par exemple, si l'étalement des banlieues à faible densité augmente alors que les zones centrales stagnent, cela pourrait indiquer un déplacement dû au coût du logement. Avec les bonnes couches d'annotation, les gouvernements peuvent adapter les programmes sociaux ou les subventions aux quartiers concernés.

🔍 Transparence et gouvernance

Les cartes accessibles au public illustrant l'expansion urbaine augmentent la transparence. Ils permettent aux citoyens, aux ONG et aux journalistes de demander des comptes aux décideurs politiques et aux développeurs. Lorsque la croissance urbaine est annotée et visible, elle fait partie d'un dialogue public, ce qui conduit à des stratégies urbaines plus inclusives et durables.

🤖 IA + satellite = planification urbaine de nouvelle génération

L'analyse des cartes satellites alimentée par l'IA permet de combler le fossé entre les données brutes d'observation de la Terre et l'intelligence urbaine exploitable. Ce qui prenait autrefois des mois par le biais d'enquêtes manuelles peut désormais être réalisé en quelques jours, automatiquement, de manière répétée et avec une portée géographique bien plus étendue.

En utilisant des ensembles de données annotés comme entrées d'entraînement, les modèles d'IA peuvent détecter non seulement où les villes s'étendent, mais aussi à quelle vitesse, dans quelles directions, et quel genre de croissance (résidentiel, industriel ou informel). Cela crée une boucle de rétroaction cruciale pour une planification urbaine pérenne.

Le projet en un coup d'œil 📍

Pour mettre en évidence l'impact réel de l'imagerie satellite annotée pour les applications d'IA urbaine, examinons une étude de cas convaincante combinant une IA de pointe avec une annotation humaine précise.

🏙️ Contexte

Le projet s'est concentré sur une vaste région métropolitaine d'Asie du Sud-Est, qui compte plus de 12 millions d'habitants et connaît une croissance rapide. Au cours de la dernière décennie, la ville a connu une transformation massive : des terres agricoles ont été converties en communautés fermées, des zones industrielles ont doublé de superficie et des logements informels se sont développés dans les banlieues sujettes aux inondations.

Malgré l'ampleur de la croissance, les données urbaines étaient fragmentées, obsolètes et largement déconnectées des outils d'observation par satellite. Les décideurs politiques se sont appuyés sur les chiffres du recensement et sur des plans de zonage dessinés à la main, souvent avec deux ans de retard ou plus.

C'est là qu'est intervenu ce projet pilote, avec l'ambition de combler cette lacune en utilisant des images satellites à haute fréquence, annotées à grande Scale AI et interprétées par l'IA.

🧭 Objectifs

Le projet a été conçu pour atteindre quatre objectifs principaux :

1. Cartographier l'expansion urbaine historique de 2013 à 2023 à l'aide d'archives satellites
2. Classer les types de croissance urbaine—formel, informel, résidentiel, industriel et transitoire
3. Automatisez la détection des nouveaux développements et de l'empiètement urbain grâce à l'IA
4. Fournir des informations pour orienter les mises à jour du zonage, les investissements dans les infrastructures et la planification de la résilience climatique

👥 Écosystème de parties prenantes

La collaboration était essentielle. Le projet a réuni :

• Autorités gouvernementales chargées de la planification: pour assurer l'intégration avec la politique locale et les outils de zonage
• ONG et défenseurs de l'environnement: pour surveiller les empiètements et la perte de biodiversité
• Laboratoires de recherche urbaine: pour la validation académique, la conception de modèles et la publication
• Fournisseurs de données privés: fourniture d'images satellites, licences et assistance au prétraitement
• Experts en annotations: pour étiqueter manuellement les caractéristiques urbaines, les modèles de trains et valider les prévisions

Chaque partenaire avait un intérêt dans le résultat, qu'il s'agisse d'élaborer de meilleures politiques ou d'étendre la recherche à des outils d'IA déployables pour les villes intelligentes.

🛰️ Sources de données et chronologie

Le projet a utilisé :

• Sentinelle 2: offre des images multispectrales en haute résolution tous les 5 jours
• Landsat 8: pour le remblayage historique avec des images cohérentes et en libre accès
• OpenStreetMap (OSM): pour aligner les observations par satellite sur les routes et les caractéristiques bâties connues
• Ensembles de données municipaux: y compris des cartes de zonage et des blocs de recensement pour la vérification sur le terrain

L'analyse a duré 10 ans et a impliqué plus de 400 vignettes d'image, filtré pour réduire la contamination des nuages et les biais saisonniers.

🔍 Cibles d'annotation

Au lieu d'utiliser des étiquettes « urbaines » génériques, le projet s'est concentré sur une taxonomie stratifiée et précise :

• Immeubles résidentiels de grande hauteur
• Lotissements résidentiels planifiés de faible hauteur
• Établissements informels ou non autorisés
• Parcs industriels et zones de construction
• Zones à usage mixte recouvertes de verdure (jardins urbains, parcs périphériques)

Cette granularité a fourni aux parties prenantes non seulement une carte de la croissance, mais aussi une carte de une croissance significative, montrant quel type d'expansion était en cours et en quoi elle s'écartait des schémas prévus.

Pourquoi l'imagerie par satellite change la donne 🛰️

Contrairement aux images prises par drone ou aux relevés de terrain, les cartes satellites offrent une vue détaillée et reproductible de la structure urbaine au fil des mois ou des années. Avec un accès gratuit depuis des plateformes telles que Copernic ou Explorateur de la Terre de l'USGS, les villes du monde entier peuvent :

• Analyser les noyaux urbains denses et les zones périurbaines
• Détectez les empiétements dans les zones protégées
• Points névralgiques de construction de voies
• Comparez les tendances d'expansion historiques

Associés à des ensembles de données annotés, ces enregistrements visuels constituent le terrain d'entraînement idéal pour les modèles d'IA.

Stratégie d'annotation : au-delà du cadre de délimitation

Bien que nous n'aborderons pas ici les types d'outils, il convient de noter que l'annotation de zones urbaines à partir d'images satellites nécessite plus que de simples étiquettes. Les empreintes urbaines sont les suivantes :

• Irrégulier et multi-Scale AI (des îlots urbains denses aux quartiers informels)
• Souvent visuellement similaire à d'autres types de couverture terrestre (par exemple, zones industrielles ou villages bâtis)
• Superposé au fil du temps (par exemple, construction par étapes)

Cette complexité a nécessité une approche axée sur la segmentation, enrichie de métadonnées de séries chronologiques et de directives d'urbanisme localisées.

Principales étapes de l'Annotation Pipeline 🛠️

1. Collecte et filtrage des données

L'équipe a sélectionné plus de 400 images satellites sur une période de 10 ans, en se concentrant sur les captures de saison sèche (pour réduire la couverture nuageuse) avec un minimum de brume.

Les critères de sélection étaient les suivants :

• Résolution d'au moins 10 m
• Couverture spatiale uniforme des zones centrales et périphériques
• Métadonnées relatives à la date d'acquisition et à la géolocalisation

2. Prétraitement

Les images satellites ont été corrigées radiométriquement et ométriquement. Les indices NDVI et NDBI ont été calculés pour séparer la végétation des zones bâties.

Cela a aidé à :

• Créez des masques propres pour la formation à l'IA
• Réduire les erreurs d'annotation dans les zones de transition

3. Annotation humaine (avec vérification par un expert)

Des annotateurs de type DataLab ont défini les limites précises de l'étalement urbain, en dessinant des polygones autour de :

• Complexes résidentiels
• Développements industriels
• Expansions de routes
• Établissements informels

Les urbanistes ont ensuite examiné des cas extrêmes, en particulier lorsque la densité des bâtiments était ambiguë ou chevauchait celle des terres agricoles.

4. Définitions des classes

Plutôt que de traiter les zones urbaines comme une classe unique, le modèle a été conçu pour différencier :

• Zone urbaine à haute densité
• Zone urbaine à faible densité
• Zones industrielles
• Chantiers de construction
• Mélange urbain végétalisé

Cette taxonomie multilabel a créé une image beaucoup plus nuancée du développement urbain que les divisions génériques « urbain/non urbain ».

Architecture et formation des modèles d'IA 🧠

Approche utilisée

Le projet a utilisé un modèle de segmentation sémantique basé sur l'apprentissage profond U-Net architecture avec une dorsale ResNet-34, optimisée pour l'imagerie multispectrale.

Points clés :

• Entraîné sur les bandes RGB et proche infrarouge (NIR) combinées
• Données temporelles incluses pour apprendre les modèles spatio-temporels
• Fonction de perte pondérée pour compenser le déséquilibre des classes (par exemple, zones de construction clairsemées)

Augmentation des données

Pour imiter les variations réelles, les augmentations suivantes ont été appliquées :

• Superpositions aléatoires de nuages
• Rotation et retournement
• Injection de bruit
• Variation de l'apparence saisonnière à l'aide de la correspondance d'histogrammes

Cela a amélioré la robustesse du modèle dans toutes les zones géographiques et les fournisseurs de satellites.

Validation de la vérité sur le terrain et résultats 📈

Pour évaluer la précision du modèle, 10 % des données annotées ont été conservées pour être testées. Les prédictions de l'IA ont ensuite été comparées à des annotations vérifiées manuellement.

Indicateurs de performance :

• IoU pour les classes urbaines: 0,81
• Score F1 (pondéré): 0,87
• Précision des pixels: 91,3 %

Dans les zones périurbaines, où la confusion avec la végétation est fréquente, l'IoU a légèrement baissé (~0,75), mais les caractéristiques temporelles ont contribué à corriger les variations saisonnières.

Détecter les tendances de l'expansion urbaine au fil du temps 🕰️

Après la formation, le modèle a été exécuté sur tous les lots d'images annuels. Le résultat ? Une carte thermique en haute résolution montrant :

• Expansion urbaine nette au kilomètre carré
• Croissance par classe (par exemple, résidentiel par rapport à industriel)
• Biais directionnel (par exemple, expansion vers le nord par rapport à l'expansion vers le sud)

La superposition animée de 10 ans a révélé des informations essentielles :

• La superficie des établissements informels a doublé à proximité des couloirs de transport
• Les zones à haute densité se sont développées radialement jusqu'à atteindre des barrières naturelles (p. ex. des rivières)
• Les zones industrielles ont affiché des modèles de croissance en hausse par rapport aux zones prévues

Ces résultats ont été exportés dans des tableaux de bord SIG pour que les parties prenantes puissent les explorer de manière interactive.

Des idées à la politique urbaine 🧭

L'étude de cas ne s'est pas arrêtée à la visualisation. Cela a conduit à des résultats réalisables:

• Les autorités de planification urbaine ont mis à jour les cartes de zonage pour inclure les groupes résidentiels nouvellement classés
• Les agences environnementales ont indiqué que les zones vertes à risque étaient désormais en phase d'expansion
• Les ONG ont utilisé les données relatives aux établissements informels pour plaider en faveur de l'accès aux services publics
• L'équipe universitaire a publié ses résultats dans une revue en libre accès sur l'IA pour l'urbanisme

En outre, les ensembles de données annotés (après anonymisation) ont été ajoutés à des référentiels ouverts pour aider d'autres villes à reproduire le flux de travail.

Défis et solutions ⚠️

Couverture cloud incohérente

Même dans les images sélectionnées, les artefacts du cloud posaient des problèmes. L'équipe :

• Mosaïques composites utilisées à plusieurs dates
• A entraîné le modèle à reconnaître et à ignorer les textures des nuages

Superposition de classes

Il s'est avéré difficile de différencier les zones de construction des toits industriels denses. Solution :

• Contexte temporel injecté pour détecter récemment modifié zones par rapport aux blocs industriels statiques
• Entrées auxiliaires utilisées, telles que les données d'autorisation lorsqu'elles sont disponibles

Fatigue des annotateurs

Étiqueter de vastes régions métropolitaines image par image est épuisant. Ils ont présenté :

• Micro-tâches et suggestions automatiques à partir des premières versions des modèles
• Cycles de pause et gamification des performances

Cela a augmenté le débit d'annotation de 35 %.

Pourquoi c'est important pour les villes intelligentes 🚀

La croissance urbaine s'accélère en Asie, en Afrique et en Amérique latine. Sans outils évolutifs permettant de surveiller et de prévoir l'expansion, les villes risquent une expansion chaotique.

Cette étude de cas prouve que :
✅ L'IA peut apprendre des modèles urbains nuancés
✅ L'imagerie satellite est une source évolutive et fiable
✅ La supervision humaine garantit une précision dans le monde réel
✅ Les données annotées constituent l'épine dorsale de la planification urbaine prédictive

En investissant dans l'annotation précise et la formation aux modèles, les villes peuvent dépasser les délais bureaucratiques traditionnels et adopter urbanisme piloté par les données.

Construisons de meilleures villes ensemble 🌍

Que vous soyez une agence publique, un urbaniste ou un chercheur, les données satellitaires annotées vous offrent un avantage unique pour façonner un avenir urbain plus intelligent.

Vous souhaitez découvrir comment l'imagerie annotée peut soutenir votre prochain projet ?
👉 Connectons-nous et développons votre solution de surveillance pilotée par l'IA.