OlmoEarth : l’IA qui lit la Terre comme une carte postale numérique

OLMOEARTH STUDIO, LA BOÎTE À Outils QUI DONNE DES YEUX À L’IA

Imaginez un logiciel capable de transformer une simple photo satellite en une carte numérique ultra-précise. OlmoEarth Studio, développé par Allen Institute for AI, fait exactement cela. Ce n’est pas une simple application de cartographie : c’est une plateforme qui permet de créer des modèles d’observation de la Terre grâce à des vecteurs d’embeddings (des représentations numériques compactes des données).

Ces vecteurs sont générés par des modèles de base OlmoEarth, des intelligences artificielles open source entraînées sur des millions d’images satellites. Le code et les poids des modèles sont publics, ce qui permet à chacun d’inspecter comment ces embeddings sont créés. Plus besoin de faire confiance à une boîte noire : vous voyez exactement ce que l’IA « voit ».

DES VECTEURS SUR MESURE, PAS DE LA DONNÉE PRÉCUITE

Contrairement à d’autres solutions qui utilisent des archives mondiales pré-calculées, OlmoEarth Studio calcule les embeddings à la demande. Résultat ? Vos vecteurs reflètent exactement les conditions que vous étudiez. Vous voulez des données mensuelles pour suivre les saisons ? Pas de problème. Vous préférez des snapshots annuels ? C’est possible aussi. Tout dépend de votre besoin.

Les embeddings sont exportés sous forme de fichiers GeoTIFF (un format standard en géomatique). Chaque bande du fichier correspond à une dimension du vecteur. Ces vecteurs sont stockés sous forme d’entiers signés sur 8 bits (int8), avec des valeurs allant de -127 à +127. Le -128 est réservé pour les données manquantes. Pour retrouver les valeurs en virgule flottante, il suffit d’utiliser la fonction dequantize_embeddings disponible dans la bibliothèque olmoearth_pretrain.

UNE STRUCTURE MONDIALE VISIBLE À L’ŒIL NU

Pour comprendre la puissance de ces embeddings, prenons un exemple concret. Une image satellite de la Terre, prise par le satellite Sentinel-2, contient des milliers de pixels. OlmoEarth transforme chaque pixel en un vecteur de 192 nombres. Ces nombres ne sont pas choisis au hasard : ils capturent des informations riches sur le paysage, comme la végétation, l’urbanisation ou les plans d’eau.

En réduisant ces vecteurs à seulement trois dimensions grâce à une analyse en composantes principales (PCA), on obtient une image en fausses couleurs. Chaque couleur représente un groupe de paysages similaires. Par exemple, sur une image de la région de Flevoland aux Pays-Bas, les parcelles agricoles, les plans d’eau et les zones urbaines apparaissent clairement séparés. L’IA a « appris » la structure du paysage sans jamais avoir été explicitement entraînée à reconnaître des parcelles ou des cultures.

RECHERCHE DE SIMILITUDE : TROUVER « LA MÊME CHOSE » SANS LABELS

Avec les embeddings OlmoEarth, vous pouvez effectuer une recherche de similarité en quelques lignes de code. Le principe est simple : vous choisissez un pixel de référence, l’IA extrait son vecteur, puis calcule la similarité cosinus avec tous les autres pixels de l’image. Le résultat est une carte thermique qui montre où le paysage ressemble le plus (ou le moins) à votre pixel de référence.

Prenons un exemple près du centre urbain de Merced, en Californie. Si vous choisissez un pixel en milieu urbain, les zones bâties et les routes s’illuminent sur la carte thermique, tandis que les parcelles agricoles restent sombres. L’IA distingue parfaitement les surfaces construites des champs cultivés, et ce sans aucun label d’entraînement. Même chose si vous choisissez un pixel en milieu agricole : les parcelles irriguées apparaissent comme les plus similaires, tandis que les aéroports, les réservoirs asséchés ou les zones arides sont considérés comme très différents.

SEGMENTATION EN QUELQUES COUPS : 60 PIXELS POUR CARTESIER UNE RÉGION

Parfois, vous avez besoin de labels discrets pour toute une région. Avec les embeddings OlmoEarth, un simple classifieur linéaire suffit pour produire une carte d’occupation du sol à partir de très peu de données étiquetées. Le test a été réalisé sur la région de Ca Mau, au Vietnam, une zone de mangroves côtières. Seuls 60 pixels étiquetés (20 par classe) ont été utilisés pour entraîner un classifieur de régression logistique. Les classes étaient : mangrove, eau et autre.

Le résultat est impressionnant : le classifieur a produit une carte cohérente avec un F1 pondéré de 0,84. Les zones de mangrove, les canaux de marée et les plans d’eau ont été délimités avec précision sur toute la région. Mieux encore : augmenter le nombre de labels de 30 à 300 n’a presque pas changé la précision. Les embeddings font déjà 90 % du travail .

DÉTECTION DE CHANGEMENTS : REPÉRER CE QUI A CHANGÉ EN UN CLIN D’ŒIL

OlmoEarth Studio permet de générer des embeddings à n’importe quelle résolution temporelle, du mensuel à l’annuel. Vous pouvez ainsi comparer deux périodes pour identifier les changements de surface. Par exemple, en comparant les embeddings de septembre 2023 et septembre 2024 pour une région de Californie, l’incendie du Park Fire (juillet-septembre 2024) apparaît immédiatement sur la carte de distance cosinus. Aucun label, aucun entraînement : juste deux fichiers GeoTIFF et quelques lignes de code suffisent.

EXPLORATION NON SUPERVISÉE : VOIR CE QUE L’IA « PENSE »

Parfois, vous n’avez ni pixel de référence ni labels. Vous voulez simplement comprendre la structure des embeddings. La PCA est un outil idéal pour cela. En réduisant les vecteurs à trois dimensions et en les affichant en fausses couleurs, vous obtenez une image qui révèle les groupes naturels de paysages. Les embeddings similaires reçoivent des couleurs similaires automatiquement.

Cette méthode permet de visualiser rapidement ce que l’IA a « appris » sur votre zone d’intérêt. Par exemple, sur une image de la région de Flevoland aux Pays-Bas, les parcelles agricoles, les plans d’eau et les zones urbaines apparaissent clairement séparés, comme si l’IA avait dessiné une carte mentale du paysage.

DU CODE PRÊT À L’EMPLOI POUR TOUTES VOS ANALYSES

Les opérations comme la recherche de similarité, la segmentation en quelques coups, la détection de changements ou l’exploration non supervisée sont des manipulations standards de données raster. Elles s’exécutent en quelques secondes. La puissance vient des embeddings : des représentations apprises qui compressent les données d’observation de la Terre en vecteurs capturant une information riche sur chaque lieu, à partir de nombreux capteurs et de millions d’exemples d’entraînement.

Pour reproduire les exemples de cet article, un tutoriel complet est disponible. Il inclut le code fonctionnel pour la recherche de similarité, la segmentation en quelques coups, la détection de changements et la visualisation en PCA. Vous pouvez aussi tester sans installer quoi que ce soit grâce à un notebook Colab.

FINE-TUNING : ALLER PLUS LOIN QUE LES EMBEDDINGS GELÉS

Les exemples de cet article utilisent des embeddings « gelés », c’est-à-dire qu’ils ne sont pas modifiés pendant l’analyse. C’est une excellente solution pour démarrer rapidement, car elle est peu coûteuse en calcul et facile à partager. Cependant, pour des applications nécessitant une précision maximale, OlmoEarth Studio permet aussi de réaliser un fine-tuning (un ré-entraînement partiel du modèle) sur vos propres labels. Cette méthode dépasse généralement les performances des classifieurs linéaires sur les embeddings gelés.

LIMITES : VÉRIFIEZ LA QUALITÉ POUR VOTRE CAS D’USAGE

OlmoEarth est un outil puissant, mais comme toute technologie, il a ses limites. La qualité des embeddings dépend fortement de la qualité des images d’entrée. Une couverture nuageuse persistante, des artefacts atmosphériques ou des observations manquantes pendant la période de composition peuvent affecter les vecteurs résultants. Il est donc recommandé de vérifier la qualité des embeddings pour votre cas d’usage spécifique, en utilisant les techniques décrites dans cet article.

COMMENT CRÉER VOS PROPRES EMBEDDINGS ?

Pour générer vos propres embeddings avec OlmoEarth Studio, créez un projet, configurez un modèle d’embeddings, puis lancez le calcul. Les résultats sont exportables sous forme de GeoTIFF, compatible avec tous les outils géospatiaux : QGIS, GDAL, rasterio ou vos propres scripts. Si vous souhaitez accéder à des embeddings personnalisés, contactez l’équipe pour obtenir un accès.

UN EXEMPLE CONCRET : LE CODE POUR LA SEGMENTATION EN QUELQUES COUPS

Voici comment réaliser une segmentation en quelques coups avec les embeddings OlmoEarth. Ce code est un extrait du tutoriel officiel, adapté pour être compréhensible et fonctionnel.

import rasterio
import numpy as np
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression

# Charger le GeoTIFF d'embeddings exporté depuis Studio
with rasterio.open("embeddings.tif") as ds:
    emb = ds.read().astype(np.float32)  # (192, H, W)

C, H, W = emb.shape
X = emb.reshape(C, -1).T  # (H*W, 192)

# Entraîner sur les pixels étiquetés, prédire partout
clf = makepipeline(StandardScaler(), LogisticRegression(maxiter=2000))
clf.fit(X[trainidx], labels[trainidx])
prediction = clf.predict(X).reshape(H, W)

Ce code charge les embeddings, les met à l’échelle, entraîne un classifieur de régression logistique sur les pixels étiquetés, puis prédit l’occupation du sol pour toute l’image. C’est ce qu’on appelle un linear probe, une méthode standard pour évaluer les modèles de base.

POURQUOI LES EMBEDDINGS FONCTIONNENT-ILS SI BIEN ?

Les embeddings OlmoEarth sont le résultat d’un entraînement sur des millions d’images satellites. Pendant cet entraînement, le modèle a appris à capturer des informations riches et variées sur les paysages terrestres : la végétation, l’urbanisation, les plans d’eau, etc. Ces informations sont compressées dans des vecteurs de 192 nombres (ou plus pour les modèles plus grands), qui résument l’essentiel de ce qu’il y a à savoir sur chaque pixel.

Le fait qu’un classifieur linéaire simple puisse produire des cartes d’occupation du sol précises à partir de seulement 60 pixels étiquetés montre que le modèle de base OlmoEarth a déjà organisé ces distinctions écologiques pendant son pré-entraînement. Les modèles plus grands (comme OlmoEarth-Base avec 768 dimensions) encodent des représentations encore plus riches.

APPLICATIONS POSSIBLES : DE L’AGRICULTURE À LA GESTION DES DÉSASTRES

Les embeddings OlmoEarth ouvrent la porte à de nombreuses applications. Voici quelques idées :

• Cartographier des cultures agricoles avec très peu de données étiquetées.
• Détecter des changements dans les zones forestières ou les mangroves.
• Identifier des zones urbaines en expansion ou des infrastructures nouvelles.
• Suivre l’évolution des plans d’eau ou des zones humides.
• Analyser des paysages naturels pour la conservation ou la gestion des écosystèmes.

Avec des embeddings mensuels, vous pouvez même suivre des phénomènes saisonniers, comme la croissance des cultures ou les migrations d’animaux.

COMPATIBILITÉ : TOUS LES OUTILS GÉOSPATIAUX SONT CONCERNÉS

Les embeddings OlmoEarth sont exportés au format GeoTIFF, un standard largement utilisé en géomatique. Cela signifie que vous pouvez les utiliser avec n’importe quel outil compatible : QGIS, GDAL, rasterio, ou même vos propres scripts Python. Pas besoin d’apprendre un nouveau logiciel : vos outils existants fonctionnent déjà.

UNE SOLUTION ÉCONOMIQUE ET RAPIDE

Les embeddings gelés sont une solution idéale pour des analyses rapides et peu coûteuses. Ils permettent de générer des résultats en quelques secondes, sans avoir besoin de machines puissantes. De plus, ils sont faciles à partager : un seul fichier GeoTIFF contient toutes les informations nécessaires. Pour des applications nécessitant une précision maximale, le fine-tuning est possible, mais il n’est pas toujours nécessaire.

COMMENT ACCÉDER AUX EMBEDDINGS PERSONNALISÉS ?

Les embeddings personnalisés sont disponibles sur demande. Si vous souhaitez générer vos propres embeddings ou accéder à des fonctionnalités avancées, contactez l’équipe OlmoEarth. Les instructions pour utiliser les modèles OlmoEarth disponibles publiquement afin de calculer vos propres embeddings sont également disponibles en ligne.

UNE TECHNOLOGIE EN CONSTANTE ÉVOLUTION

Allen Institute for AI travaille en permanence à l’amélioration de ses approches de pré-entraînement. Les embeddings OlmoEarth sont déjà très performants, mais ils continueront à évoluer pour offrir encore plus de précision et de flexibilité. Restez à l’écoute des mises à jour pour découvrir les nouvelles fonctionnalités.

POUR ALLER PLUS LOIN : LE TUTORIEL COMPLET

Pour reproduire les exemples de cet article, un tutoriel complet est disponible. Il inclut :

• Le code pour la recherche de similarité.
• Le code pour la segmentation en quelques coups.
• Le code pour la détection de changements.
• Le code pour la visualisation en PCA.

Vous pouvez aussi tester sans installer quoi que ce soit grâce à un notebook Colab. Tout est prêt pour que vous puissiez commencer immédiatement.

EN RÉSUMÉ : LES EMBEDDINGS OLMOEARTH, UNE RÉVOLUTION POUR L’ANALYSE DES DONNÉES SATELLITAIRES

OlmoEarth Studio exporte des vecteurs d’IA depuis l’imagerie satellite, permettant d’analyser les paysages terrestres avec une précision inégalée. Que ce soit pour cartographier des mangroves avec seulement 60 pixels étiquetés, détecter des incendies en un clin d’œil, ou explorer la structure des paysages sans labels, les embeddings OlmoEarth sont un outil puissant et flexible. Leur compatibilité avec les outils géospatiaux existants et leur facilité d’utilisation en font une solution idéale pour les chercheurs, les ingénieurs et les décideurs.

Avec des embeddings calculés à la demande, une précision élevée et une grande flexibilité, OlmoEarth Studio ouvre de nouvelles perspectives pour l’analyse des données d’observation de la Terre. Prêt à essayer ?