GeoAI

GeoAI correspond à l’intégration de l’intelligence artificielle (IA) avec les données spatiales, la science et la technologie géospatiale, dans le but de mieux comprendre et résoudre les problèmes spatiaux. GeoAI implique l’application des techniques d’IA pour générer des données spatiales via l’extraction, la classification et la détection d’informations à partir de données structurées et non structurées. GeoAI comprend en outre l’utilisation de techniques d’IA explicites spatialement, conçues pour résoudre les problèmes spatiaux via l’analyse des données spatiales, et de techniques permettant de détecter des modèles, faire des prévisions, des projections spatio-temporelles, et bien plus encore.

Concepts clés

Les termes suivants vont vous aider à comprendre GeoAI dans ArcGIS Pro.

• Analyse spatiale : processus d’étude de la position, des attributs et des relations dans les données spatiales au moyen d’un ensemble de techniques allant de simples superpositions à des statistiques spatiales avancées et autres techniques analytiques.
• Intelligence artificielle (IA) : capacité d’une machine (ordinateur, par exemple) d’effectuer des tâches requérant traditionnellement l’intelligence humaine, telles que la perception, le raisonnement et l’apprentissage. Les applications de l’IA se retrouvent dans nos vies de tous les jours : assistants intelligents sur nos téléphones, recommandations dans les flux de nos médias sociaux, robots et voitures autonomes. L’IA englobe à la fois le Machine Learning et le Deep Learning.
• Machine Learning (ML) : sous-ensemble de l’IA regroupant un ensemble de techniques qui permet aux ordinateurs d’apprendre des modèles dans les données et d’acquérir des connaissances sans être explicitement programmés. En général, les techniques de ML revêtent la forme de méthodes statistiques ou d’algorithmes basés sur les données capables de résoudre des problèmes de classification, d’agrégation et de prévision (régression/projection, par exemple). Le ML peut être pensé comme une approche pour atteindre l’IA.
• Deep Learning : sous-ensemble du ML qui utilise des algorithmes entraînables et appris sous forme de réseaux neuronaux artificiels. L’architecture multicouches de ces réseaux s’inspire du fonctionnement du cerveau humain, l’apprentissage et la compréhension du monde par les humains fonctionnant comme une hiérarchie imbriquée de concepts. Les algorithmes de Deep Learning fonctionnent comme le cerveau humain et l’ordinateur apprend des concepts et des modèles complexes en assemblant des concepts plus simples. Les données brutes en entrée sont analysées via différentes couches du réseau, chaque couche apprenant et capturant les définitions d’entités et de modèles spécifiques plus complexes dans les données.

GeoAI est imbriqué dans ArcGIS via tout un éventail d’outils d’analyse d’exploration et de géotraitement. Les algorithmes de Machine Learning dans ArcGIS sont utilisés dans l’analyse des données spatiales afin d’effectuer des agrégations, des prévisions (classification et régression) et des projections spatio-temporelles. Le Deep Learning est utilisé dans ArcGIS pour générer des informations géospatiales à partir de données de capteur (images et nuages de points, notamment) en utilisant des techniques et des outils de classification des pixels et segmentation d’images, détection d’objets et extraction d’entités, suivi des objets, détection des changements et simulation d’images. Le Deep Learning sert également à générer des données géospatiales à partir de texte non structuré au moyen de diverses techniques de traitement du langage naturel (NLP). Le Deep Learning permet aussi d’analyser des données spatiales pour faire des prévisions et des projections. Un grand nombre des problèmes les plus complexes requièrent toutefois de combiner GeoAI et d’autres techniques d’analyse spatiale puissantes pour pouvoir à la fois être compris et résolus.

Résolution de problème

GeoAI peut jouer un rôle crucial dans la résolution des problèmes spatiaux dans un large éventail de domaines d’application.

Un des aspects importants de GeoAI est l’application des techniques d’IA pour générer des données spatiales via l’extraction, la classification et la détection d’informations à partir de données structurées et non structurées. Ces données sont notamment des données tabulaires, des données captées à distance (raster, images, nuages de points Lidar, vidéo, etc.) et même des données de texte. La génération des données spatiales comprend des applications telles que la recherche et le catalogage d’objets dans des images, la création de données 3D à partir de lidar ou l’extraction d’informations de localisation dans du texte non structuré pour géocodage ultérieur. ArcGIS inclut également des modèles de Deep Learning pré-entraînés qui réduisent certains des aspects les plus chronophages et consommateurs de ressources du processus d’entraînement. Pour automatiser les traitements fastidieux que sont la création et l’extraction des données spatiales, le Deep Learning est très intéressant, car il peut faire gagner des ressources et un temps précieux dans de nombreux processus. Ces données spatiales peuvent aussi constituer des entrées précieuses dans les processus en aval en tout point, de la gestion des données spatiales à l’analyse spatiale avancée des modèles et des relations.

Voir un exemple d’utilisation du Deep Learning pour automatiser l’extraction d’entités à partir d’images

L’autre aspect essentiel de GeoAI est l’application des techniques de Machine Learning et de Deep Learning, et notamment des techniques statistiques explicites spatialement, à l’analyse des données spatiales pour des applications telles que la détection des modèles spatiaux, l’élaboration de prévisions et des projections spatio-temporelles. L’utilisation des outils émergents de Machine Learning et de Deep Learning avec les données spatiales offre aux utilisateurs de nouvelles possibilités d’exploration des problèmes spatiaux épineux. L’utilisation de méthodes de Machine Learning sur les données spatiales, ainsi que l’incorporation de modèles explicites spatialement qui intègrent certains aspects de géographie (emplacement, forme, proximité, etc.) directement dans l’algorithme peuvent non seulement accroître l’efficacité des modèles, mais aussi permettre de restituer la réalité que nous voulons modéliser plus précise et représentative. Ces techniques peuvent être utilisées pour attribuer des ressources en fonction de modèles spatiaux significatifs, rechercher des tendances et des anomalies dans l’espace et le temps et incorporer des relations spatiales dans des prévisions et des projections.

Voir un exemple d’application des méthodes de Machine Learning à des données spatiales

Enfin, les concepts GeoAI sont utilisés dans des outils qui fonctionnent mieux dans les mains d’analystes et scientifiques spécialistes des données réfléchis. Comme avec d’autres outils, l’analyse doit avoir une compréhension totale du problème, être prêt à répéter et affiner l’analyse et être transparent sur le processus lors de la transmission des informations au décisionnaire. L’utilisation de GeoAI ne change rien à ces principes et rend même encore plus important que jamais le besoin en analyses consciencieuses. ArcGIS Pro offre une expérience avancée pour exécuter les outils GeoAI, en évaluer les résultats et communiquer de façon efficace et responsable avec les parties prenantes.

En savoir plus

Pour plus d’informations, consultez les ressources suivantes :

• Génération de données spatiales et extraction des informations
  • Introduction au Deep Learning
  • Deep Learning dans ArcGIS Pro
  • Modèles pré-entraînés ArcGIS
  • Jeu d’outils Classification et reconnaissance des modèles (boîte à outils Image Analyst)
  • Jeu d’outils Deep Learning (boîte à outils Image Analyst)
  • Jeu d’outils Nuage de points (boîte à outils 3D Analyst)
  • Jeu d’outils Analyse de texte (boîte à outils GeoAI)
  • Principes de base de la détection d’objets interactive
• Résolution de problèmes spatiaux
  • Agrégation et détection de modèle
    • Jeu d’outils Appariement d’agrégats (boîte à outils Statistiques spatiales)
    • Jeu d’outils Analyse des modèles spatio-temporels (boîte à outils Exploration des modèles spatio-temporels)
    • Jeu d’outils Analyse multidimensionnelle (boîte à outils Image Analyst)
  • Prévision
    • Jeu d’outils Modélisation de relations spatiales (boîte à outils Statistiques spatiales)
    • Jeu d’outils Entité et analyse tabulaire (boîte à outils GeoAI)
    • Jeu d’outils Analyse multidimensionnelle (boîte à outils Image Analyst)
  • Projection
    • Jeu d’outils Prévision de séries chronologiques (boîte d’outils Exploration des modèles spatio-temporels)
    • Jeu d’outils IA de série chronologique (boîte à outils GeoAI)
    • Jeu d’outils Analyse multidimensionnelle (boîte à outils Image Analyst)