IA · cartographie
Retrouver des objets semblables sans données d'entraînement
On désigne quelques cases d'exemple sur une image Sentinel-2 ; le foundation model classe les autres cases de la scène selon leur ressemblance. Les modèles sont utilisés tels quels, sans étiquetage ni entraînement.
Expertise France · 2026
Pour qui
Pour un premier repérage sur une zone (parcelles irriguées, bourgs, carrières, plans d'eau), avant une cartographie plus fine ou pour réunir des exemples d'entraînement.
Ce que fait l'application
Recherche par l'exemple
Un clic sur la carte ajoute une case positive ou négative. Une fois les embeddings calculés, la recherche se met à jour à chaque clic, validation ou changement de réglage.
Plusieurs modèles
Clay (patch de 80 m), TerraMind (160 m) et une référence sans IA. Deux modèles peuvent être combinés, par exemple optique et radar.
Validation et export
Accepter ou rejeter chaque résultat sur sa vignette, seuil automatique, classifieur linéaire à partir de 5 positifs et 5 négatifs. Export GeoTIFF et GeoJSON.
Comment ça marche
01
Scène
Image Sentinel-2 L2A (10 bandes) sur la zone tracée, et en option l'image Sentinel-1 la plus proche en date ou une série radar.
02
Embeddings
Un vecteur par patch, poids figés : quelques minutes par modèle sur GPU pour une scène.
03
Score
Cosinus entre chaque case et la moyenne des positifs moins celle des négatifs. Une case est la moyenne des patches qu'elle contient.
En images
Limites connues
- Cases de 80 m au minimum (160 m pour TerraMind) : l'outil trouve des zones, pas de petits objets.
- Pas encore de comparaison chiffrée entre Clay, TerraMind et la référence sans IA. Pour l'eau ou le sol nu, la référence sans IA risque de faire aussi bien.
- En optique, les cases nuageuses sont exclues. Le radar n'a pas ce problème mais mesure autre chose : la rugosité et la structure du bâti et de la végétation.
Pour aller plus loin
- Compter les vrais positifs sur quelques requêtes pour comparer les modèles
- Exporter les résultats validés comme exemples d'entraînement
Rôle
- Conception de l'application
- Comparaison des modèles
- Développement et tests sur GPU
Technologies
PyTorch · TerraTorch · Clay · TerraMind · Sentinel-2 · Sentinel-1 · STAC · ipyleaflet · Voilà
Le cadre
Démonstrateur conçu et développé en 2026 par Guillaume Rieu, auteur des spécifications des Earth Innovation Labs, en contribution bénévole à la recette de ces plateformes au Kenya pour Expertise France. Il tourne dans l'environnement JupyterHub de la plateforme.
Un besoin proche ?
Ces démonstrateurs peuvent servir de base à un outil adapté à vos données, à votre zone ou à votre question.