Appliquer les principes de l'IA responsable lors de la création d'ensembles de données de télédétection, tels que Dynamic World

1. Avant de commencer

Dynamic World est un ensemble de données mondial sur l'utilisation du sol et la couverture terrestre (LULC), mis à jour quasiment en temps réel. Il offre une résolution de 10 mètres grâce à l'utilisation de la constellation de satellites d'observation Sentinel-2 de l'Agence spatiale européenne (ESA) et du programme Copernicus, qui génère une image actualisée de l'ensemble de la surface de la Terre tous les deux à cinq jours. L'ensemble de données est produit à l'aide d'un modèle de deep learning, de Vertex AI et de la plate-forme d'analyse géospatiale Earth Engine. Il permet aux scientifiques, aux chercheurs et aux développeurs de détecter les changements, de cartographier les évolutions et de quantifier les différences observées à la surface de la Terre.

Earth Engine est un outil destiné à faire progresser les connaissances scientifiques des processus planétaires à des fins environnementales et sociétales. Les conditions de son utilisation commerciale, possible en bêta avec Google Cloud, précisent que sa mission première est de comprendre les problématiques du changement climatique et du développement durable, tels que la déforestation, la gestion de l'eau et l'utilisation durable des sols, et d'y trouver des solutions.

Remarque : La clarté du langage employé dans Dynamic World et Earth Engine relève d'une approche commune de l'IA responsable, destinée à empêcher toute utilisation potentiellement motivée par une raison autre que l'objectif sociétal visé.

Dans cet atelier de programmation, vous allez appliquer des pratiques responsables pour générer des ensembles de données dérivés du machine learning, tels que Dynamic World.

Objectifs de l'atelier

• Appliquer les pratiques d'IA responsable dans des applications de télédétection
• Interpréter visuellement les prédictions Dynamic World dans l'espace et le temps
• Réfléchir aux implications éthiques et sociétales

Prérequis

• Bonne connaissance des applications Earth Engine
• Google Chrome, qui fonctionne le mieux avec les applications Earth Engine

2. Ouvrir l'application Earth Engine Dynamic World

L'ensemble de données Dynamic World contient des prédictions par pixel pour neuf classes LULC, comme indiqué dans cette table. L'utilisation du sol fait référence à l'exploitation des terres par les humains, tandis que la couverture terrestre décrit les matériaux physiques à la surface de la Terre.

Type LULC	Description
Eau	Plans d'eau permanents et saisonniers
Arbres	Forêts primaires et secondaires, et plantations à grande échelle
Herbe	Prairies naturelles, pâturages et parcs
Végétation inondée	Mangroves et autres écosystèmes inondés
Cultures	Cultures en rangs et rizières
Arbustes et buissons	Couverture végétale éparse à dense composée d'arbustes
Zone bâtie	Bâtiments de basse et haute densité, routes et espaces urbains dégagés
Sol nu	Déserts et roches exposées
Neige et glace	Couverture neigeuse permanente et saisonnière

Les images de cet ensemble de données comprennent 10 bandes : neuf bandes avec des probabilités estimées pour chacune des neuf classes LULC, et une bande d'étiquettes de classe indiquant la classe avec la probabilité estimée la plus élevée. Ces propriétés distinctes permettent aux utilisateurs d'effectuer des analyses multitemporelles et de créer des produits personnalisés adaptés à leurs besoins.

Remarque : L'utilisation des prédictions dans Dynamic World a fait l'objet d'un examen éthique selon des critères portant sur la sécurité, la rigueur scientifique, l'équité, l'usage abusif potentiel, l'utilité sociale et, dans le cas présent, l'adéquation aux principes de l'IA de Google. Le cas échéant, vous pouvez définir des points de contrôle dans votre projet de ML pour évaluer la cohérence des décisions techniques avec la mission, les valeurs ou la charte éthique de votre entreprise.

Pour ouvrir l'application Earth Engine Dynamic World :

1. Ouvrez un nouvel onglet dans votre navigateur.
2. Accédez à Dynamic World.

La carte affiche le mode mosaïque Top1 et indique le relief par ombrage à un niveau de zoom élevé.

3. Cliquez sur la carte pour afficher un graphique présentant les probabilités de classe au fil du temps.
4. Cliquez sur un point de données du graphique pour charger une prédiction spécifique et son image Sentinel-2.
5. Dans le volet Layers (Calques), ajustez la visibilité et les calques.

3. Explorer les prédictions Dynamic World au Brésil

Dynamic World comprend des prédictions pour l'ensemble des neuf classes LULC et affiche une étiquette Top1 unique pour chaque pixel. Dans le monde réel, plusieurs classes LULC se mélangent, quelle que soit la résolution spatiale. Dans cette section, vous allez interpréter visuellement les prédictions dans l'espace et le temps.

Pour explorer les prédictions Dynamic World au Brésil :

1. Dans votre navigateur, accédez à l'application EE Dynamic World.
2. Dans le champ Search places (Rechercher des lieux), saisissez Sete de Setembro, Brazil.

Vous devriez voir apparaître les données de calcul Dynamic World pour le territoire indigène du peuple des Paiter Suruí, qui vit dans la région du Setembro dans l'État brésilien du Rondônia.

3. Dans le volet Dynamic World, saisissez 2016-01-01 dans le champ Start date (Date de début) et 2022-01-01 dans le champ End date (Date de fin), puis cliquez sur Update (Mettre à jour).

Le chargement de la carte peut prendre quelques minutes, car le calcul s'effectue en temps réel.

4. Cliquez n'importe où sur la carte pour générer un graphique en temps réel.

Effectuez un zoom avant pour obtenir une réponse plus rapidement.

5. Examinez le graphique, dans lequel l'axe y représente les probabilités de classe, et l'axe x représente le temps.

Dans cet exemple, la prédiction de la classe Top1 pour la période du 1er janvier 2016 au 27 juillet 2017 donne le résultat "trees" (arbres), avec une probabilité comprise entre 0,684 et 0,755. Au moment où la scène Sentinel-2 suivante est capturée le 5 septembre 2017, la prédiction n'est plus "trees" (arbres), et le signal comporte bien plus de bruit.

6. Cliquez sur pour agrandir le graphique.

Remarque : Lorsque vous souhaitez générer de manière responsable un ensemble de données dérivé du ML, réfléchissez à des scénarios dans lesquels l'ensemble de données pourrait être détourné pour une utilisation imprévue, voire nuisible. Posez des questions comme "Certains individus, marchés, régions, segments d'utilisateurs ou populations sont-ils plus exposés que d'autres aux conséquences négatives de l'utilisation de cet ensemble de données ?"

4. Félicitations

Vous avez appris à appliquer les principes de l'IA responsable pour générer des ensembles de données dérivés du ML, tels que Dynamic World.

En savoir plus

• Pratiques de l'IA responsable
• Présentation de Dynamic World (partie 1) : visualisation et création de composites