Swiss Territorial Data Lab et Swiss Data Cube - De la donnée à la connaissance grâce au Machine Learning appliqué Co-création pour valoriser les données du territoire numérique

1. Forum SITG
20 mai 2021
Swiss Territorial Data Lab
&
Swiss Data Cube
Co-création pour valoriser les données du territoire numérique
www.stdl.ch

2. Actuellement, nous avons facilement
accès à une grande diversité de
données du territoire de haute qualité,
avec une fréquence d’acquisition
de plus en plus élevée
www.stdl.ch
Constat

3. Données
du
cadastre
www.stdl.ch

4. Données
aériennes
www.stdl.ch

5. Données
satellites
www.stdl.ch

6. Favoriser l’innovation collective pour
résoudre des problématiques concrètes
des administrations publiques en utilisant
la science des données appliquée sur
les données du territoire numérique
STDL
-
objectif
www.stdl.ch

7. Co-création avec 7 partenaires
Seul on va plus vite, ensemble on va plus loin
www.stdl.ch
Les
partenaires

8. Swiss
Data
Cube

9. Swiss
Data
Cube
Pourquoi
?
❖ Faciliter l’utilisation des données des satellites en
réduisant le temps de préparation
❖ Fournir des outils et algorithmes open-source
permettant de valoriser ces données
❖ Stimuler l’innovation autour d’une communauté,
l’Open Data Cube étant une initiative
internationale, répliquée dans de nombreux pays

10. 1. Détection automatique de la période de
construction d’un bâtiment
2. Evolution de la couverture du sol
3. Détection automatique des panneaux thermiques
4. Monitoring de la sécheresse et de son impact sur
la végétation
5. Plateforme 4D et perspectives
Discussion / Questions
Agenda
www.stdl.ch

11. FORUM SITG
May 20, 2021
EXTENSION DU REGBL – OFS
DATES DE CONSTRUCTIONS
Nils Hamel – Huriel Reichel

12. CONTEXTE DU PROJET EXPLORATOIRE
REGISTRE FÉDÉRAL DES BÂTIMENTS ET DES LOGEMENTS
Données de base relatives aux bâtiments et aux logements
Office Fédérale de la Statistique – www.housing-stat.ch

13. EXTENSION DU REGBL
Conduit par l’OFS/BFS
●
Inclusion de toutes les constructions en Suisse
●
Dates de construction manquantes
●
Déduction automatique des dates de construction
Deux approches complémentaires
PROJET

14. CARTES NATIONALES
Utilisation des carte nationales 1:25’000
●
Suivi des bâtiments sur les cartes
●
Détection de leur apparition
●
Couverture jusqu’à 1950
APPROCHES

15. CARTES NATIONALES
HOMOGÉNÉITÉ ET MÉTHODOLOGIE STABLE
Émergence du concept de raster à trois dimension
2010 2004 1998 1993

18. PROCESSUS DE DÉDUCTION
DÉTECTION ET CRITÈRE MORPHOLOGIQUE
Situation simple
Situation complexe

19. MÉTRIQUE DE VALIDATION
ÉVALUATION DES RÉSULTATS
Sélection manuelle de cas synchrones
Registre: 1962 – Cartes nationales : 1960-1964

20. APPLICATION DU TRAITEMENT AUTOMATISÉ
QUATRE ZONES SÉLECTIONNÉES
Évaluation des performances pour des situations variées
Basel Bern Biasca Caslano

21. ÉVALUATION DES RÉSULTATS
APPROCHE AVEC LES CARTES NATIONALES
84.7% de dates correctes à ±5.8 ans
80.4% à ±5.5 ans 85.0% à ±5.6 ans 93.9% à ±6.0 ans 91.2% à ±6.2 ans

23. DÉDUCTION STATISTIQUE
Utilisation de modèles urbain statistiques
●
Au delà des cartes
●
Apporte une estimation des dates de construction
●
Couverture de la période précédant 1950
APPROCHES

24. ASPECTS THÉORIQUES
MODÈLE URBAIN DE BURGESS
Morphologie de l’évolution urbaine et dépendance spatiale

25. MÉTHODOLOGIE
COMPLÉTION DES DONNÉES MANQUANTES
Variance temporelle pour le calcul de rayon spatial

26. MÉTHODOLOGIE
AGRÉGATION SPATIO-TEMPORELLE
Approximation du modèle urbain

27. 1953
1955 1959

28. ÉVALUATION DES RÉSULTATS
APPROCHE STATISTIQUE
95% de dates correctes à ±15.6 années

29. ●
APPROCHE DES CARTES NATIONALES
84.7% à ±5.8 années
●
APPROCHE STATISTIQUE
95 % à ±15.6 années
●
IMPORTANCE DU TEMPS
Donne accès à des informations pertinentes
CONCLUSION

30. Swiss Data Cube-
Observer les
changements
environnementau
x par satellite
Dr. Gregory Giuliani
Université de Genève &
PNUE/GRID-Genève

31. Evolution de la couverture du sol
Gregory Giuliani [UNIGE & GRID]

32. Les gouvernements ont des engagements et des
obligations en matière de rapports aux niveaux
national et international, ainsi que des programmes
environnementaux nationaux.
Ils ont tous besoin d'informations synoptiques,
cohérentes, spatialement explicites, suffisamment
détaillées pour rendre compte des impacts
anthropiques et de portée nationale.
Les données d’observations de la Terre peuvent fournir
la base nécessaire pour déterminer les tendances,
définir le présent et informer le futur.

34. Copernicus – Le regard de l’Europe sur la Terre
Plus grand fournisseur de données au monde: 250TB/jour
Archive: 250PB de données stockées, croissance journalière: 220TB

35. Sentinel-2
22’000 images pour couvrir la Terre
Tous les 5 jours!
> 1’600’000 images/an!

36. Pas uniquement des photos…

37. • Vesuve ITA
• Sentinel-2
• 12-July-2017
• Red, green, blue
Spectral resolution

38. • Vesuve ITA
• Sentinel-2
• 12-July-2017
• SWIR2, SWIR1, NIR
Spectral resolution

39. Résolution temporelle…
Un game changer

40. Landsat 8 Landsat 8 + Sentinel-2A&B
Li & Roy (2017)
Résolution temporelle…
Un game changer

41. Surveiller la Terre en temps (quasi) réel est désormais une réalité!

42. Comment
transformer cette
grande quantité de
données en
informations utiles
et appuyer les
décisions fondées
sur des preuves?

43. Que sont les cubes de données?
Pile multi-dimensionnelle (espace, temps, type de données) ordonnée en série
chronologique de pixels alignés spatialement & utilisée pour un accès et une
analyse efficace.
Courtesy of GeoScience Australia

44. Adapted from CEOS
Longitude
Latitude
Temps
Longitude
Latitude
Temps
Longitude
Latitude
Temps

45. Session X: Session Title Slide 16

46. Glacier du Rhône – 1985/2018/2020

47. 2005/2017
1995/2005

48. Feu de forêt, Loèche – 13 août 2003

49. Mortalité des arbes (Täsch – composite vraies couleurs, été)
2018 2019 Sneiders B. & Giuliani G.,in prep

50. Urbanization – Bulle 1985/2018

51. D
A
T
A INF
OR
MA
TION K
NOWL
EDGE
E
OD
ata
§ MODIS/AVRRR
§ ESA CCI Land Cover
§ SoilGrids
S
ub-indicators
§ Land Productivity Dynamics
§ Land Cover Change
§ Soil Organic Carbon Stocks
S
D
G15.3.1
Proportion of land that
is degraded over total
land area
Model
Interpretation
& representation
Model
SDG 15.3.1 – Dégradation des terres…
porte atteinte au bien-être de 3,2 milliards de personnes (IPEBS)
Collaboration: UNIGE, GEO, ESA, CNR, JRC, UNEP
Giuliani G., Mazzetti P., Santoro M., Nativi S., Van Bemmelen J., Colangeli G.,
Lehmann A. (2020) Knowledge generation using satellite Earth Observations to
support Sustainable Development Goals (SDG): a use case on Land Degradation,
International Journal of Applied Earth Observation and Geoinformation
88:102068 https://doi.org/10.1016/j.jag.2020.102068

52. L’aggrégation d’indicateurs…
… n’est pas suffisante pour les politiques publiques!
ESA UNCLASSIFIED - For Official Use Gregory Giuliani | ESRIN | 12/09/2019 | Slide 34
Aggregatedindicators…
…arenotenoughforpublicpolicy!

53. Désaggrégation d’indicateurs…
… pour capturer la dynamique spatiale (cartes) et temporelle (graphs)
ESA UNCLASSIFIED - For Official Use Gregory Giuliani | ESRIN | 12/09/2019 | Slide 35
Disag
g
reg
ationofindicators…
…tocapturespatial(m
aps)andtem
poraldynam
ics(g
raphs)
How much? Where? When? Who?

54. SDG 15.3.1 – Résultats pour la Suisse
Valeur Officielle: 4.7%
Valeur SDC: 9.7%
La definition officielle n’est basée que
sur l’imperméabilisation des sols et ne
considère pas la productivité!
Ne se conforme pas à la définition
officielle de l’ONU!
Giuliani G., Chatenoux B., Benvenuti A., Lacroix P., Santoro M.,
Mazzetti P., Monitoring Land Degradation at national level using
satellite EO time-series data to support SDG15 – Exploring the
potentiation of Data Cube, Big Earth Data,
https://doi.org/10.1080/20964471.2020.1711633

55. Applications potentielles
• Suivi des changements de couverture et utilization du sol
• Suivi des glaciers et la neige
• Agriculture: surveillance des cultures, sécurité alimentaire
• Surveillance de la végétation et des forêts, génération de paramètres
(concentration de chlorophylle, estimation de la masse de carbone)
• Suivi de la qualité de l’eau
• Gestion et cartographie des inondations
• Suivi et cartographie urbaine

56. Amélioration de la couverture du sol
Work in progress…
Une carte annuelle à 10m…

57. Le SDC supporte la stratégie « Digital Switzerland »
 Support innovation and growth in the digital economy
 Improve efficiency and effectiveness of government
investments
 Improve management of natural resources
 Stimulate research
 Effective monitoring mechanism
 Generate information products
 Improve data access and use & enable new products/
services that can transform everyday life

58. EO Data Cubes offrent le potentiel…
… d’améliorer la responsabilité et la
crédibilité scientifique.
Sans confiance et savoir partagés:
•Faire de la science peut être difficile,
•Prendre des bonnes decisions peut être
problématique,
•Et envisage un développement durable
peut être compliqué!

59. Follow us
http://www.swissdatacube.ch
@SwissDataCube GRIDgva/SwissDataCube gregory.giuliani@unepgrid.ch

60. gregory.giuliani@unige.ch
gregory.giuliani@unepgrid.ch
http://www.unige.ch/envirospace/people/giuliani/

61. Détection automatique de
panneaux thermiques
Swiss Territorial Data Lab
Alessandro Cerioni
Data Scientist, Etat de Genève
Forum SITG, 20 mai 2021

62. CONTEXTE DU PROJET
●
Bénéficiaire : Canton de Neuchâtel
plus en particulier : son Service de l'Energie et de l'Environnement
●
Début : avril 2021
toujours en cours
●
Objectif ?
Mettre à jour l’inventaire des panneaux solaires
thermiques installés dans le canton
●
Pourquoi ?
Afin de suivre dans le temps l’exploitation de l’énergie
solaire
●
Comment ?
Détection automatique à partir de photos aériennes,
par Deep Learning
INTRODUCTION

63. INTRODUCTION
L’IDÉE, EN BREF
●
réutilisation du même code réalisant la détection de piscines
dans une version améliorée, grâce à ce projet
apprentissage détection

64. DONNÉES D’ENTRÉE
(1) base de données des installations déjà connues,
fournie par le Canton de Neuchâtel
●
enregistrements à confirmer (vérité terrain)
●
objets ponctuels, géo-référencés de manière inhomogène
coordonnées géo (MN03), adresses, lien vers le RegBL via les EGIDs
(2) images aériennes
source : orthophotos diffusées par Swissimage (WMS)
(3) étiquettes (« labels ») issues du projet
SolAI (FHNW et OFEN, 2020) - données «vérité terrain»
cf. https://tinyurl.com/vrnf5tdw
●
couverture : Canton d’Argovie
●
un travail d’ultérieure vérification a été effectué par l’équipe STDL
INTRODUCTION

65. ÉTAPES PRINCIPALES
1. Définition d’une «zone d’intérêt»
Canton d’Argovie (apprentissage) + Canton de Neuchâtel (détection)
2. Préparation des données
tuilage, segmentation d’image, …
3. Entraînement d’un réseau de neurones profond
Deep Learning – architecture Mask R-CNN
4. Détections
géoreferencées
5. Evaluation des résultats
Data Scientists + experts métiers
DÉTECTION
AUTOMATIQUE
PAR
DEEP
LEARNING

66. A PROPOS D’ÉVALUATION...
1. Sur les données d’apprentissage (vérité terrain)
par les Data Scientists
●
évaluation de la fiabilité du modèle prédictif
●
par des métriques «techniques» : précision, rappel, f1-score
●
...et si l’on devait donner une note «simple» à notre modèle ?
2. Sur les détections sur le Canton de Neuchâtel
par les experts métiers (avec l’aide des Data Scientists, si besoin !)
●
évaluation de la fiabilité du modèle prédictif
ET
de la base de données connue au préalable
DÉTECTION
AUTOMATIQUE
PAR
DEEP
LEARNING

67. SUBTILITÉS LIÉES À L’OBJET CIBLE
●
Visuellement, les panneaux thermiques se confondent avec
●
des panneaux photovoltaïques
●
des fenêtres de toit
●
...
Les non experts peuvent se faire piéger.
L’IA aussi !
●
Détection multi-classe à tester : p. thermiques + p. photovoltaïques +
fenêtres de toit + …
DÉTECTION
AUTOMATIQUE
PAR
DEEP
LEARNING

68. Détections sur une zone de
test du Canton de NE
(représentatif) – fournir le
zoom sur une zone limitée
DÉTECTIONS SUR UNE
ZONE DE TEST

69. Relations à confirmer entre les panneaux
●
connus a priori
●
détectés
ÉVALUATION DES DÉTECTIONS
...en cours...
géolocalisation par EGID (RegBL)
géolocalisation explicite

70. ÉVALUATION DES DÉTECTIONS
...en cours...
Objets inconnus
●
panneaux thermiques ou...
●
...faux positifs ?

71. CONCLUSION
1. Oui !, la télédétection de panneaux thermiques est possible
pourvu qu’on dispose de (très) bonnes données d’apprentissage
2. La collaboration avec les experts métiers reste essentielle
le modèle prédictif pourra être ultérieurement amélioré grâce à leur retour
3. Opportunités :
●
rejouer la détection lors de nouvelles acquisitions de photos aériennes
suivi de l’évolution dans le temps
●
détection «nativement surfacique»
estimation du potentiel solaire exprimé
●
orthophotos + données LiDAR ?
orientation des panneaux, …
4. A venir :
●
détection de panneaux thermiques sur le Canton de Genève
●
détection d’autres objets, ex. : climatisations (modules externes)

72. Monitoring de la sécheresse et de son impact sur la vegetation
Gregory Giuliani [UNIGE & GRID]

75. Indice d’humidité (NDWI)…
Contenu en eau de la végétation (2014 vs. 2003)
Giuliani G., Egger E., Italiano J., Poussin C., Richard J.-P., Chatenoux B. (2020) Essential
Variables for environmental monitoring: What are the possible contributions of Earth
Observation Data Cubes, Data 5:100 https://www.mdpi.com/2306-5729/5/4/100

76. Indice d’humidité (NDWI)…
Contenu en eau de la végétation (2014 vs. 2003)

77. Tendance d’humidité de la végétation
Série temporelle NDWI de 35 ans d’observations Landsat – moyenne annuelle
Poussin C., Massot A., Ginzler C., Weber D., Chatenoux B., Lacroix P., Piller T., Nguyen L., Giuliani G., Drying conditions in Switzerland -
Indication from a 35-year Landsat trend analysis of vegetation water content estimates to support SDG15, Submitted to Big Earth Data.

78. Tendance d’humidité de la végétation
Statistiques par zones biogéographiques – moyenne d’été
Poussin et al. Submitted

79. Tendance d’humidité de la végétation
Statistiques par zones biogéographiques – 1984/2019
Poussin et al. Submitted

80. Prochainement…
Un service de suivi de la sécheresse par zone biogéographiques

81. Prochainement…
…et par canton

82. Conclusions…
• Tendance faible et lente à l'échelle du pays, principalement à
basse et moyenne altitude.
• Les régions alpines semblent plus sensibles aux
changements des conditions de sécheresse.
• Les valeurs NDWI sont principalement fonction des
températures à des altitudes inférieures à la limite des
arbres plutôt qu’aux précipitations.
• Les données d'observation de la Terre par satellite ainsi que
les mesures in situ peuvent fournir une base précieuse pour
générer des informations spatialement explicites à l'échelle
nationale sur l'état écologique de la végétation.
• D'autres composantes telles que le changement de
couverture terrestre et l'évapotranspiration devraient être
prises en compte pour mieux caractériser la variabilité de
l’NDWI.

83. gregory.giuliani@unige.ch
gregory.giuliani@unepgrid.ch
http://www.unige.ch/envirospace/people/giuliani/

84. FORUM SITG
May 20, 2021
PLATEFORME 4D
ESPACE-TEMPS ET COLLABORATION
Nils Hamel – Huriel Reichel – Swiss Data Cube

85. PLATEFORME 4D
EXEMPLE DU SRTM – 470 GB (ASC)

86. PLATEFORME 4D
EXEMPLE DU CADASTRE – 12 GB (ITF)

87. MODÈLES MIXTES
CADASTRE, POLYGONES ET LIDAR

88. 2009-10 2013-04 2017-04
LA DIMENSION DU TEMPS
EXEMPLE DU LIDAR DE GENÈVE – 250 GB (LAS)

89. DÉRIVÉE TEMPORELLE
2020-10-13 ET 2020-10-17

90. DÉRIVÉE TEMPORELLE
GENÈVE 2017 ET 2019

91. DÉRIVÉE TEMPORELLE
GENÈVE – LIDAR

92. COLLABORATION AVEC LE SWISS DATA CUBE
●
Big data dans la notion spatiale et temporelle
●
Navigation 4D
●
Détection des différences
SWISS
DATA
CUBE

93. Inventaire des arbres isolés
Perspectives
www.stdl.ch
Evolution des sites
d’extraction de
matières premières

94. Contactez-nous via info@stdl.ch
➢ Pour proposer des projets
➢ Utiliser ce que nous avons développé
www.stdl.ch