La cartographie des types de cultures issues de la télédétection par satellite sont des outils importants pour la sécurité alimentaire, le soutien aux moyens de subsistance locaux et l’atténuation du changement climatique dans les petites régions du
monde, mais la plupart des méthodes satellitaires ne sont pas bien adaptées aux conditions des petits exploitants. Pour combler cette lacune, nous établissons un critère en quatre parties pour une approche utile basée sur l'intégrationcomposée de la performance, la plausibilité, la transférabilité et l'accessibilité et évaluons les approches basées sur les intégrations du modèle de fondation géospatiale (FM) en utilisant TESSERA et AlphaEarth par rapport aux méthodes de base actuelles pour une région du bassin arachidien du Sénégal.
Nous constatons que l’approche basée sur TESSERA pour la cartographie de la couverture terrestre et des types de cultures répond le mieux aux critères de sélection et, dans un exemple de transfert temporel, montre une précision 28 % supérieure à celle de la meilleure méthode suivante. Ces résultats indiquent que les intégrations TESSERA constituent une approche efficace pour les tâches de classification et de cartographie des types de cultures au Sénégal.
GEOAI ET MODÉLES FONDATION: ÉMERGENCE DES EMBEDDINGS GÉOSPATIAUX POUR LA CARTOGRAPHIE DES CULTURES AU SÉNÉGAL
Résumé
L'émergence des embeddings spatiaux constitue un atout considérable dans la cartographie des cultures en Afrique et permettent de mieux exploiter l'information contenue dans les données satellitaires. Dans le domaine géospatial, il permet de transformer des informations provenant des images satellitaires et d’autres données environnementales en une représentation synthétique que les algorithmes d’intelligence artificielle peuvent exploiter plus facilement L’intérêt des embeddings est de permettre aux modèles d’IA de capturer des relations et des caractéristiques spatiales, spectrales et temporelles complexes, sans avoir à construire manuellement un grand nombre d’indices et de variables. Ils constituent ainsi une composante importante des nouveaux modèles fondation géospatiaux, entraînés sur de grandes quantités de données d’observation de la Terre. Dans une étude récente, des chercheurs ont évalué le potentiel de ces représentations pour la classification des types de cultures dans le bassin arachidier du Sénégal. L’étude compare notamment deux modèles fondation géospatiaux, TESSERA et AlphaEarth, avec des approches classiques utilisant des données Sentinel-1 et Sentinel-2 ainsi que des métriques spatio-temporelles. Les résultats montrent que TESSERA obtient les meilleures performances pour la classification des cultures. Sa précision atteint notamment 84,6 % en 2018, contre 78,6 % pour les données brutes Sentinel et 75,8 % pour les métriques spatio-temporelles. Le modèle présente également une meilleure capacité de transfert entre différentes années.
Publication scientifique
Classification des types de cultures basée sur l'intégration dans le bassin arachidien du Sénégal
Lisaius, M. C., Keshav, S., Blake, A., & Atzberger, C. (2026). Embedding-based Crop Type Classification in the Groundnut Basin of Senegal. arXiv:2601.16900v1. .
Résultats clés
1- Le modèle entrainé sur les données de 2018 puis en le testant sur 2019, TESSERA atteint une précision de 62,6 %. À titre de comparaison, AlphaEarth atteint 36,4 %, les métriques spectro-temporelles 17,2 % et les données brutes seulement 16,1 %.
2- Lorsque le modèle est entraîné sur 2019 et appliqué à 2018, TESSERA obtient encore la meilleure performance avec 55,5 %, devant AlphaEarth à 45,0 %.
Les approches fondées sur les embeddings présentent également un avantage en matière de traitement. Les auteurs rapportent une utilisation relative du CPU de 1 pour TESSERA, contre 4,60 pour les données brutes et 6,99 pour les métriques spectro-temporelles. AlphaEarth présente la plus faible utilisation relative avec 0,67.
Cette réduction s’explique notamment par le fait que les embeddings pré-calculés évitent de construire manuellement de nombreuses variables et indices.
Pourquoi c’est important
Cette étude montre que les embeddings géospatiaux constituent une nouvelle approche prometteuse pour la télédétection agricole, particulièrement dans les contextes de petites exploitations et de rotation des cultures.
Au Sénégal, l'approche basée sur TESSERA obtient de meilleures performances que les méthodes classiques de RandomForest ou XGBoost comparées pour la classification des cultures et présente une meilleure capacité de transfert entre différentes années. Elle permet également de réduire fortement le nombre de variables à traiter et les besoins en données.
Aucun commentaire publié pour le moment.