Une nouvelle carte générée par l’IA des arbres et des projets d’énergie renouvelable dans le monde pourrait aider à lutter contre le changement climatique

Une carte unique en son genre des projets d’énergies renouvelables et de la couverture forestière dans le monde a été lancée aujourd’hui, et elle utilise l’IA générative pour affiner essentiellement les images prises depuis l’espace. Tout cela fait partie d’un nouvel outil appelé Selles de l’Allen Institute for AI, fondé par le co-fondateur de Microsoft, Paul Allen.

L’outil, partagé dans un premier temps avec Le bordutilise l’imagerie satellite de l’Agence spatiale européenne Satellites Sentinelle-2. Mais ces images donnent quand même une vue assez floue du sol. La solution ? Une fonctionnalité appelée « Super-Résolution ». Fondamentalement, il utilise des modèles d’apprentissage en profondeur pour renseigner des détails, comme à quoi pourraient ressembler les bâtiments, afin de générer des images haute résolution.

Pour l’instant, Satlas se concentre sur les projets d’énergies renouvelables et la couverture arborée dans le monde entier. Les données sont mises à jour mensuellement et incluent les parties de la planète surveillées par Sentinel-2. Cela comprend la majeure partie du monde, à l’exception de certaines parties de l’Antarctique et des océans éloignés de la terre.

Il montre des parcs solaires et des éoliennes terrestres et offshore. Vous pouvez également l’utiliser pour voir comment la couverture du couvert forestier a changé au fil du temps. Ce sont des informations importantes pour les décideurs politiques qui tentent d’atteindre les objectifs climatiques et autres objectifs environnementaux. Mais il n’y a jamais eu d’outil aussi complet et gratuit pour le public, selon l’Allen Institute.

Il s’agit probablement également de l’une des premières démonstrations de super-résolution sur une carte mondiale, affirment ses développeurs. Certes, il reste encore quelques problèmes à résoudre. Comme les autres IA génératives modèles, Satlas est toujours sujet aux « hallucinations ».

“On peut appeler cela une hallucination ou une mauvaise précision, mais il s’agissait de dessiner des bâtiments de manière amusante”, explique Ani Kembhavi, directrice principale de la vision par ordinateur à l’Institut Allen. “Peut-être que le bâtiment est rectangulaire et que le modèle pourrait penser qu’il est trapézoïdal ou quelque chose du genre.”

Cela pourrait être dû à des différences d’architecture d’une région à l’autre que le modèle n’est pas très doué pour prédire. Une autre hallucination courante consiste à placer des voitures et des navires à des endroits où le modèle pense qu’ils devraient être basés sur les images utilisées pour l’entraîner.

Pour développer Satlas, l’équipe de l’Institut Allen a dû parcourir manuellement des images satellite pour étiqueter 36 000 éoliennes, 7 000 plates-formes offshore, 4 000 fermes solaires et 3 000 pourcentages de couvert forestier. C’est ainsi qu’ils ont entraîné les modèles d’apprentissage profond à reconnaître ces fonctionnalités par eux-mêmes. Pour obtenir une super résolution, ils ont fourni aux modèles de nombreuses images basse résolution du même lieu prises à des moments différents. Le modèle utilise ces images pour prédire les détails des sous-pixels dans les images haute résolution qu’il génère.

L’Institut Allen prévoit d’étendre Satlas pour fournir d’autres types de cartes, dont une permettant d’identifier les types de cultures plantées dans le monde.

“Notre objectif était en quelque sorte de créer un modèle de base pour surveiller notre planète”, explique Kembhavi. “Et puis, une fois que nous aurons construit ce modèle de base, nous l’affinerons pour des tâches spécifiques, puis nous mettrons ces prédictions de l’IA à la disposition d’autres scientifiques afin qu’ils puissent étudier les effets du changement climatique et d’autres phénomènes qui se produisent sur Terre.”