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.

En savoir plus sur GeoAI

Concepts clés

La terminologie suivante va vous aider à comprendre l’utilisation de 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.
• IA : capacité d’une machine (un ordinateur, par exemple) à effectuer des tâches qui nécessitent traditionnellement l’intelligence humaine, notamment la perception, le raisonnement et l’apprentissage. Les applications de l’IA sont devenues omniprésentes dans notre quotidien : assistants intelligents des téléphones, recommandations dans les flux des 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 se présentent sous la forme de méthodes statistiques ou d’algorithmes reposant sur les données capables de résoudre des problèmes de classification, d’agrégation et de prévision (régression et projection, par exemple). Le Machine Learning peut être considéré comme un moyen de parvenir à l’IA.
• Deep Learning (DL) : sous-ensemble du Machine Learning 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. Le fonctionnement des algorithmes de DL peut s’apparenter à celui du cerveau humain, où l’ordinateur apprend des concepts et des modèles complexes en combinant 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 ML dans ArcGIS sont utilisés pour 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 d’objets, détection des changements et simulation d’images. Le Deep Learning permet également de générer des données géospatiales à partir de texte non structuré au moyen de diverses techniques de traitement du langage naturel. De plus, le Deep Learning permet d’analyser des données spatiales pour faire des prévisions et des projections. Dans le cas de multiples problèmes difficiles, il est toutefois nécessaire de combiner GeoAI et d’autres techniques d’analyse spatiale pour les comprendre et les résoudre efficacement.

Résolution de problèmes

GeoAI peut jouer un rôle 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 télédétectées (raster, images, nuages de points lidar, vidéo, etc.) et des données 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 DL 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, il est intéressant d’utiliser le Deep Learning dans bon nombre de processus, notamment pour réaliser des gains de temps et de ressources non négligeables. 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.

En savoir plus sur l’utilisation du Deep Learning pour automatiser l’extraction d’entités à partir d’images, et en voir un exemple

L’autre aspect essentiel de GeoAI est l’application des techniques de ML et de DL, notamment des techniques statistiques explicites spatialement, à l’analyse des données spatiales pour des applications telles que la détection des modèles spatiaux ainsi que l’élaboration de prévisions et de projections spatio-temporelles. L’utilisation des outils émergents de ML et de DL avec les données spatiales offre aux utilisateurs de nouvelles possibilités d’exploration des problèmes spatiaux épineux. L’utilisation de méthodes de ML 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 permettre non seulement d’accroître l’efficacité des modèles, mais souvent aussi de restituer plus précisément et fidèlement la réalité que nous essayons de modéliser. 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.

En savoir plus sur l’application de méthodes de Machine Learning à des données spatiales, et en voir un exemple

Enfin, les concepts de GeoAI sont appliqués à des outils dont le fonctionnement est optimal quand ils sont utilisés par des analystes et scientifiques spécialistes des données réfléchis. Comme avec d’autres outils, l’analyste doit avoir une compréhension poussée du problème, être enclin à répéter et affiner l’analyse, et faire preuve de transparence par rapport au processus lors de la transmission des informations au décisionnaire. L’utilisation de GeoAI ne change rien à ces principes. Elle rend plus important que jamais le besoin d’analyses consciencieuses. ArcGIS Pro permet d’exécuter les outils GeoAI, d’en évaluer les résultats et de communiquer avec les parties prenantes de manière efficace et responsable.

En savoir plus

Pour plus d’informations, consultez les ressources suivantes :

• Génération de données spatiales et extraction des informations
  • Introduction à l’apprentissage profond
  • 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 des 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)