Segmentation d’images satellite : comment l’IA comprend les données aériennes et de télédétection

La segmentation d’images satellite consiste à attribuer une classe à chaque pixel d’une image aérienne ou issue de télédétection. Ces classes peuvent représenter des zones d’eau, de végétation, de routes, de bâtiments, de cultures, de nuages ou d’autres éléments selon le cas d’usage. Contrairement à la détection par boîtes englobantes, la segmentation décrit précisément la structure spatiale d’une scène, ce qui est indispensable lorsque les objets sont étendus, irréguliers ou difficiles à isoler.

Pour les équipes qui développent des modèles d’IA géospatiale, la qualité des masques de segmentation conditionne directement la fiabilité des analyses. Un modèle entraîné sur des annotations imprécises aura du mal à distinguer une zone urbaine dense d’une zone industrielle, une culture saine d’une parcelle stressée, ou une ombre de nuage d’un plan d’eau.

Pourquoi la segmentation d’images satellite est importante

Comprendre l’occupation et l’usage des sols

La segmentation permet de cartographier l’occupation des sols à un niveau fin : zones urbaines, forêts, surfaces agricoles, cours d’eau, infrastructures, sols nus ou zones humides. Ces cartes sont utilisées pour l’aménagement du territoire, l’analyse environnementale, le suivi de l’artificialisation et la gestion des ressources. Des organisations comme l’European Space Agency (ESA) produisent et exploitent des données satellitaires qui rendent ces analyses possibles à grande échelle.

Construire des systèmes de surveillance environnementale

Les modèles de segmentation peuvent suivre l’évolution des forêts, des littoraux, des zones humides ou des surfaces enneigées. Ils aident à détecter les changements progressifs, mais aussi les ruptures soudaines liées aux incendies, inondations, tempêtes ou activités humaines. Une annotation cohérente est essentielle pour comparer des images prises à des dates, saisons ou conditions atmosphériques différentes.

Soutenir l’agriculture et la sécurité alimentaire

En agriculture, la segmentation d’images aériennes et satellite permet d’identifier les cultures, de suivre leur développement, de repérer les zones stressées et d’estimer certaines dynamiques de rendement. Des institutions comme l’International Food Policy Research Institute s’intéressent à ces données pour mieux comprendre les systèmes alimentaires. Pour l’IA, la difficulté réside dans la variabilité des parcelles, des pratiques agricoles, des stades de croissance et des capteurs.

Améliorer la planification urbaine et les infrastructures

Les villes et opérateurs d’infrastructure utilisent la segmentation pour localiser des routes, bâtiments, parkings, zones industrielles, réseaux de transport ou emprises foncières. Ce travail complète les approches de cartographie géospatiale et permet de produire des données structurées utilisables par les systèmes SIG, les plateformes de suivi de chantier ou les outils d’aide à la décision.

Accélérer les applications liées aux énergies renouvelables

La segmentation peut aider à identifier les toitures adaptées au solaire, les terrains disponibles, les parcs photovoltaïques, les couloirs de lignes électriques ou les zones exposées aux risques naturels. Dans ces contextes, les classes doivent être définies avec précision, car une confusion entre surface exploitable, ombre, végétation ou infrastructure peut fausser les résultats opérationnels.

Comment fonctionne la segmentation d’images satellite

Étape 1 : acquisition des images

Les images peuvent provenir de satellites optiques, radar, multispectraux, hyperspectraux ou de prises de vue aériennes par avion ou drone. Chaque source présente ses propres caractéristiques : résolution spatiale, bandes spectrales, fréquence de revisite, niveau de bruit et couverture géographique.

Étape 2 : prétraitement

Avant l’annotation ou l’entraînement, les images sont souvent corrigées, alignées, découpées en tuiles et normalisées. Le prétraitement peut inclure la correction atmosphérique, le masquage des nuages, la gestion des ombres, la reprojection ou l’harmonisation entre capteurs.

Étape 3 : extraction de caractéristiques

Les modèles exploitent les textures, les contours, la couleur, les bandes spectrales, les indices de végétation et les relations spatiales entre objets. Les architectures modernes apprennent ces représentations automatiquement, mais elles restent dépendantes de jeux de données bien annotés.

Étape 4 : classification pixel par pixel

Le modèle attribue une classe à chaque pixel ou groupe de pixels. Cette granularité permet d’obtenir des masques très précis, adaptés aux objets irréguliers comme les cours d’eau, les parcelles agricoles, les bâtiments complexes ou les zones de végétation fragmentées.

Étape 5 : affinage et post-traitement

Les résultats peuvent ensuite être lissés, vectorisés ou croisés avec d’autres sources de données. Le post-traitement sert à supprimer les artefacts, consolider les zones cohérentes et produire des sorties exploitables dans des outils métier.

Segmentation sémantique de l’imagerie aérienne

Classification fine des pixels

La segmentation sémantique consiste à attribuer la même classe à tous les pixels appartenant à une catégorie donnée. Elle est adaptée aux cartes d’occupation des sols, aux zones de végétation, aux surfaces imperméabilisées ou aux réseaux routiers. Les communautés comme l’IEEE Geoscience and Remote Sensing Society contribuent largement aux méthodes et bonnes pratiques dans ce domaine.

Gérer la diversité spectrale

Deux zones visuellement proches en RGB peuvent avoir des signatures spectrales différentes, et inversement. L’annotation doit donc prendre en compte la source de l’image, les bandes disponibles et les informations auxiliaires utilisées par les experts.

Traiter la complexité multi-échelle

Une route, un bâtiment, un champ ou une rivière n’ont pas la même taille selon la résolution de l’image. Les modèles doivent apprendre à reconnaître des objets de tailles très différentes, parfois dans la même scène. Les consignes d’annotation doivent préciser comment traiter les petits objets, les limites floues et les zones partiellement visibles.

Exploiter les séries temporelles

Lorsque plusieurs images d’un même lieu sont disponibles dans le temps, la segmentation peut suivre des évolutions saisonnières, détecter des changements et réduire les ambiguïtés. Les données temporelles exigent toutefois une cohérence stricte entre campagnes d’annotation.

Modèles de apprentissage profond pour la segmentation satellite

U-Net et architectures encodeur-décodeur

U-Net et ses variantes restent très utilisées pour les tâches de segmentation, notamment lorsque les jeux de données sont spécialisés. Elles combinent une compréhension globale de la scène avec une restitution fine des contours.

Architectures inspirées de DeepLab

Les modèles de type DeepLab exploitent des convolutions atrous et des modules multi-échelles pour mieux gérer les objets de tailles variables. Ils sont pertinents pour les scènes aériennes où les structures peuvent être grandes, fines ou très fragmentées.

SegFormer et modèles à base de transformers

Les architectures transformer capturent des relations spatiales à plus longue distance. Elles sont utiles lorsque la classe d’un pixel dépend du contexte environnant, par exemple pour distinguer une route d’une zone bétonnée ou une parcelle agricole d’un espace naturel.

Réseaux hybrides spatial-spectral

Pour les données multispectrales et hyperspectrales, les modèles hybrides combinent informations spatiales et signatures spectrales. Cette approche peut améliorer la séparation entre classes visuellement proches.

Méthodes autosupervisées et faiblement supervisées

Les méthodes autosupervisées réduisent la dépendance aux grands volumes d’annotations manuelles, mais elles nécessitent toujours des données de validation fiables. Les approches faiblement supervisées peuvent accélérer certains projets, à condition de contrôler rigoureusement la qualité finale.

Jeux de données pour la segmentation d’images satellite

Jeux de données multispectraux

Les jeux multispectraux combinent plusieurs bandes utiles pour distinguer végétation, eau, sols, surfaces bâties et cultures. Ils sont courants dans les applications environnementales et agricoles.

Jeux de données hyperspectraux

Les données hyperspectrales offrent une information plus riche, mais demandent une expertise plus fine. L’annotation doit souvent être associée à des connaissances terrain ou à des sources de référence.

Jeux de données aériennes à haute résolution

Les images haute résolution permettent d’annoter des routes, bâtiments, véhicules, arbres ou infrastructures de manière détaillée. Elles augmentent cependant le coût d’annotation, car les scènes contiennent davantage d’objets et de limites fines.

Jeux de données sur les nuages et les ombres

Les nuages, ombres et effets atmosphériques peuvent être des classes à part entière ou des zones à exclure. Les ignorer peut introduire des erreurs importantes dans les modèles entraînés.

Jeux de données temporels

Les séries temporelles sont particulièrement utiles pour l’agriculture, la gestion des risques, la détection de changement et le suivi environnemental. Des plateformes comme Radiant Earth Foundation MLHub facilitent l’accès à certains jeux de données géospatiaux.

Annotation pour la segmentation d’images satellite

Masques de segmentation sémantique

Les masques pixel par pixel sont la référence pour entraîner des modèles de segmentation. Ils doivent être cohérents, lisibles et associés à une taxonomie claire. Pour des projets agricoles, par exemple, les masques peuvent servir à l’analyse de l’état des cultures ou à la classification parcellaire.

Annotation polygonale des grandes structures

Les polygones sont pratiques pour annoter des bâtiments, parcelles, plans d’eau, zones forestières ou infrastructures étendues. Ils peuvent ensuite être rasterisés pour produire des masques utilisables par les modèles.

Hiérarchie de classes

Une taxonomie peut comporter plusieurs niveaux : végétation, puis forêt, culture ou prairie; infrastructure, puis bâtiment, route ou parking. Cette hiérarchie facilite l’annotation, la validation et l’évolution du modèle.

Contrôle qualité et validation multi-relecteurs

La validation doit vérifier les contours, la cohérence des classes, la gestion des zones ambiguës et la stabilité entre annotateurs. Sur les projets sensibles, une double annotation ou une revue par expert géospatial peut être nécessaire.

Annotation assistée par informations spectrales

Les indices et bandes spectrales peuvent aider les annotateurs à distinguer des classes difficiles. L’annotation ne doit pas se limiter à l’apparence RGB lorsque des informations plus pertinentes sont disponibles.

Défis de la segmentation d’images satellite

Déséquilibre des classes

Certaines classes, comme les routes fines, les zones humides ou les bâtiments isolés, sont beaucoup moins fréquentes que les surfaces agricoles ou forestières. Il faut anticiper ce déséquilibre dès l’échantillonnage.

Nuages, ombres et variabilité météo

Les conditions atmosphériques modifient l’apparence des scènes et peuvent masquer des zones entières. Les consignes doivent préciser si ces pixels sont annotés, exclus ou traités comme classes spécifiques.

Variations saisonnières

Une même parcelle peut changer radicalement d’apparence au cours de l’année. Les modèles robustes doivent être entraînés sur des données représentatives des saisons, régions et pratiques locales.

Différences entre capteurs

La résolution, les bandes spectrales et les traitements préalables varient selon les capteurs. Un jeu de données annoté pour une source ne se transfère pas toujours directement à une autre.

Hétérogénéité spatiale

Les paysages ne suivent pas toujours des frontières nettes. Les zones de transition, les objets partiellement visibles et les textures mixtes doivent être traités avec des règles explicites.

Applications concrètes de la segmentation satellite

Conservation environnementale

La segmentation soutient le suivi de la déforestation, des zones humides, de l’érosion côtière ou des habitats naturels. Elle contribue aussi à l’analyse des risques climatiques et à la surveillance des changements d’usage des sols.

Agriculture et gestion des cultures

Les modèles peuvent identifier les cultures, suivre la couverture végétale et aider à repérer les zones qui nécessitent une intervention. La Food and Agriculture Organization s’appuie largement sur les données géospatiales pour ses analyses agricoles et alimentaires.

Développement urbain et infrastructures

Les villes, assureurs, opérateurs de réseaux et bureaux d’études utilisent la segmentation pour suivre l’expansion urbaine, détecter des changements et maintenir des bases cartographiques à jour.

Énergie et utilities

Les acteurs de l’énergie peuvent localiser des infrastructures, évaluer des zones d’implantation et suivre des risques autour de réseaux critiques. La précision des annotations est déterminante lorsque les décisions ont un impact opérationnel.

Réponse aux catastrophes

Après une inondation, un incendie ou une tempête, la segmentation aide à cartographier les zones touchées, les routes coupées et les infrastructures endommagées. Les jeux de données utilisés pour l’analyse de propagation des incendies doivent intégrer des cas variés et difficiles.

Évolutions à venir

Modèles géospatiaux autosupervisés

Les modèles préentraînés sur de grands volumes d’images de télédétection devraient réduire le volume d’annotations nécessaire pour certains cas d’usage, sans supprimer le besoin de données de validation fiables.

Modèles de fondation pour la télédétection

Les modèles de fondation géospatiaux permettent de réutiliser des représentations apprises sur plusieurs régions, capteurs et tâches. Leur performance dépend toutefois de la qualité des données spécialisées utilisées pour l’adaptation.

Inférence embarquée

Certaines applications exigent une analyse rapide, parfois directement sur drone, satellite ou infrastructure edge. Les modèles devront rester précis tout en étant plus légers.

Modèles sensibles au climat

Les futurs systèmes devront mieux intégrer les variations saisonnières, les événements extrêmes et les changements à long terme. Cela impose des jeux de données plus diversifiés et mieux documentés.

Intégration multimodale

La combinaison d’images optiques, radar, hyperspectrales, données météo, cartes et informations terrain améliorera la robustesse des modèles. L’annotation devra elle aussi s’adapter à ces sources multiples.

Conclusion

La segmentation d’images satellite transforme des pixels complexes en informations exploitables pour l’agriculture, l’environnement, l’énergie, l’urbanisme et la gestion des risques. Pour obtenir des modèles fiables, les équipes IA doivent construire des jeux de données cohérents, représentatifs et validés avec des règles d’annotation précises.

Contactez DataVLab

DataVLab accompagne les équipes IA dans la préparation, l’annotation et le contrôle qualité de jeux de données géospatiaux pour la segmentation, la détection et l’analyse d’images aériennes ou satellite.