Extraire l’occupation du sol haute résolution avec GeoAI
Créer un projet et obtenir les données en entrée
Pour commencer, vous allez créer un projet ArcGIS Pro et obtenir les données en entrée nécessaires au processus.
- Ouvrez ArcGIS Pro. Si vous y êtes invité, connectez-vous via votre compte ArcGIS.
Remarque :
Si vous n’avez pas accès à ArcGIS Pro ou ne disposez pas d’un compte d’organisation ArcGIS, consultez les options disponibles pour accéder aux logiciels.
- Sous New Project (Nouveau projet), sélectionnez Map (Carte).
- Dans la fenêtre New Project (Nouveau projet), définissez les paramètres suivants :
- Pour Name (Nom), saisissez Alexandra_Land_Cover.
- Pour Location (Emplacement), cliquez sur le bouton Browse (Parcourir) et sélectionnez un dossier de votre choix.
- Cliquez sur OK.
Le projet s’ouvre. Pour le moment, seul le fond de carte par défaut s’affiche.
Vous allez ajouter l’imagerie de drone qui représente un quartier du township d’Alexandra en Afrique du Sud. Cette imagerie possède une résolution élevée, chaque pixel représentant un carré d’environ 2,5 x 2,5 centimètres au sol. Elle a été capturée par South Africa Flying Labs. La couche est stockée dans ArcGIS Online sous forme de service de tuiles d’images.
Remarque :
South Africa Flying Labs est une organisation à but non lucratif qui produit des images par drone en Afrique du Sud et cherche à donner aux communautés locales les connaissances et les compétences nécessaires pour résoudre les problèmes sociaux de ce pays.
- Sur le ruban, cliquez sur l’onglet Map (Carte). Dans le groupe Layer (Couche), cliquez sur le bouton Add Data (Ajouter des données).
- Dans la fenêtre Add Data (Ajouter des données), sous Portal (Portail), cliquez sur ArcGIS Online. Dans la zone de recherche, saisissez Alexandra_Orthomosaic owner:Esri_Tutorials et appuyez sur Entrée. Dans la liste des résultats, cliquez sur la couche nommée Alexandra_Orthomosaic (Orthomosaïque_Alexandra), puis sur OK.
La couche d’images tuilées apparaît et la carte effectue un zoom avant sur cette couche.
Remarque :
Cette couche d’images ortho vraie est dérivée de plusieurs images de drone. Elle a été générée dans l’application Site Scan for ArcGIS et enregistrée dans ArcGIS Online directement à partir de Site Scan.
Pour appliquer le processus proposé à votre propre imagerie, reportez-vous aux conseils de la section Appliquer ce processus à votre propre imagerie à la fin de ce didacticiel.
- Effectuez un zoom avant et déplacez-vous autour de la carte pour inspecter les localisations des bâtiments de plus près.
Vous allez à présent télécharger le paquetage de Deep Learning High Resolution Land Cover Classification – USA (Classification de l’occupation du sol haute résolution – États-Unis) à partir d’ArcGIS Living Atlas. Ce paquetage de Deep Learning est un modèle pré-entraîné sur un jeu de données volumineux pour classer avec précision les entités d’occupation du sol. Vous pouvez tirer parti des connaissances et de l’expertise intégrées dans ce modèle pré-entraîné pour extraire les différents types d’occupation du sol dans la zone d’étude. Cela vous évite de consacrer du temps et de l’énergie pour entraîner un modèle par vous-même.
- Accédez à ArcGIS Living Atlas.
- Dans la zone de recherche, saisissez High Resolution Land Cover Classification – USA et appuyez sur Entrée.
- Dans la liste de résultats, cliquez sur High Resolution Land Cover Classification – USA (Classification de l’occupation du sol haute résolution – États-Unis) pour accéder à la page des éléments du modèle.
- Sur la page des éléments du modèle, lisez la description pour vous familiariser avec le modèle.
Le modèle a été entraîné pour fonctionner avec une imagerie possédant une résolution comprise entre 80 et 100 centimètres (ou 0,8 et 1 mètre), ce qui signifie qu’il est optimal avec des entrées d’une résolution similaire.
- Cliquez sur Télécharger.
Remarque :
La plupart des navigateurs Web téléchargent les fichiers dans le dossier Téléchargements de votre ordinateur, par défaut.
- Déplacez le paquetage de Deep Learning téléchargé à un emplacement de votre ordinateur auquel vous pouvez facilement accéder.
- Appuyez sur Ctrl+S pour enregistrer le projet.
Classer des pixels à l’aide du Deep Learning
Vous allez générer une couche d’occupation du sol à l’aide de l’outil de géotraitement Classer des pixels à l’aide du Deep Learning et du modèle pré-entraîné que vous avez téléchargé.
Remarque :
L’utilisation des outils de Deep Learning dans ArcGIS Pro nécessite l’installation des bibliothèques de Deep Learning appropriées sur votre ordinateur. Si ces fichiers ne sont pas installés, enregistrez le projet, fermez ArcGIS Pro et suivez les étapes décrites dans les instructions Se préparer au Deep Learning dans ArcGIS Pro. Dans ces instructions, vous apprendrez également à vérifier si votre matériel informatique et vos logiciels peuvent exécuter des processus de Deep Learning et découvrirez d’autres conseils utiles. Une fois que vous avez terminé, vous pouvez rouvrir le projet et poursuivre le didacticiel.
- Sur le ruban, cliquez sur l'onglet Vue. Dans le groupe Windows (Fenêtres), cliquez sur Geoprocessing (Géotraitement).
- Dans la fenêtre Geoprocessing (Géotraitement), dans la zone de recherche, saisissez Classify Pixels Using Deep Learning. Dans la liste des résultats, cliquez sur l’outil Classify Pixels Using Deep Learning (Classer des pixels à l’aide d’algorithmes de Deep Learning) pour l’ouvrir.
- Dans l’outil Classify Pixels Using Deep Learning (Classer des pixels à l’aide d’algorithmes de Deep Learning), définissez les paramètres suivants :
- Pour Input Raster (Raster en entrée), sélectionnez Alexandra_Orthomosaic (Orthomosaïque_Alexandra).
- Pour Output Raster Dataset (Jeu de données raster en sortie), saisissez Land_Cover_Raster.
- Pour Model Definition (Définition du modèle), cliquez sur le bouton Browse (Parcourir).
- Dans la fenêtre Model Definition (Définition de modèle), accédez au paquetage de Deep Learning HighResolutionLandCoverClassification_USA.dlpk que vous avez téléchargé. Sélectionnez-le et cliquez sur OK.
Au bout de quelques instants, les arguments du modèle se chargent automatiquement.
- Sous Arguments, localisez l’argument batch_size.
La classification des pixels à l’aide d’algorithmes de Deep Learning ne peut pas être effectuée sur la totalité de l’image en une seule fois. Au lieu de cela, l’outil fractionne l’image en tuiles de petite taille, en fonction de la valeur de l’argument tile_size. Une taille de lot égale à 4 signifie que l’outil traite 4 tuiles d’image à la fois. Lors de l’exécution de l’outil, vous risquez de recevoir une erreur si votre ordinateur ne dispose pas de suffisamment de mémoire pour ce niveau de traitement. Dans ce cas, essayez de diminuer la valeur de batch_size de 4 à 2, voire 1. Si vous possédez un ordinateur puissant, vous pouvez également augmenter la valeur de batch_size afin d’accélérer le traitement.
Pour le moment, vous allez conserver la valeur par défaut, 4 et accepter les valeurs par défaut des autres arguments. Vous allez à présent définir la taille de cellule à utiliser lors de l’exécution de l’outil.
- Cliquez sur l'onglet Environnements.
- Sous Raster Analysis (Analyse raster), pour Cell Size (Taille de cellule), saisissez 0,9 (à savoir 0,9 mètre ou 90 centimètres).
La taille de cellule (ou de pixel) d’origine de l’image de drone est de 2,5 centimètres (soit 0,025 mètre). Il s’agit d’une très haute résolution qui produirait un nombre important de pixels à traiter et allongerait le temps de traitement. De plus, la faible taille de cellule est peut-être trop détaillée et nuirait à la précision du classement des entités. Comme vous l’avez appris précédemment, le modèle attend une imagerie en entrée possédant une taille de cellule comprise entre 80 et 100 centimètres (ou entre 0,8 et 1 mètre). Si vous ajustez la taille de cellule de traitement sur 0,9 mètre, l’imagerie est automatiquement rééchantillonnée à une taille de cellule plus élevée à la volée avant d’être utilisée en entrée pour la classification par le Deep Learning. L’imagerie rééchantillonnée correspond davantage aux attentes du modèle. Cela permet d’accélérer le traitement et d’obtenir des résultats plus précis en matière de classification de l’occupation du sol.
Remarque :
Pour mieux comprendre comment la taille de cellule peut avoir un impact sur les résultats, reportez-vous à la section Taille de cellule de l’imagerie de l’article Détection des objets avec plusieurs résolutions à l’aide du modèle Text SAM.
- Dans Processor Type (Type de processeur), sélectionnez GPU. Pour GPU ID (ID GPU), sélectionnez 0.
Remarque :
Dans le cadre de didacticiel, un GPU NVIDIA avec au moins 4 Go de mémoire dédiée est recommandé. Si vous disposez uniquement d’une UC, le traitement fonctionne toujours, mais prend plus de temps. Dans ce cas, sélectionnez l’option CPU (UC). Pour en savoir plus sur les GPU et leur utilisation pour les processus de Deep Learning, reportez-vous à la section Vérifier la disponibilité de la GPU dans le didacticiel Se préparer au Deep Learning dans ArcGIS Pro.
- Acceptez toutes les autres valeurs par défaut, puis cliquez sur Run (Exécuter).
Pendant l’exécution de l’outil, vous pouvez cliquer sur View Details (Afficher les détails) pour en savoir plus.
Conseil :
Si vous rencontrez une erreur de mémoire insuffisante, essayez de diminuer la valeur de batch_size de 4 à 2, voire 1, et exécutez à nouveau le traitement.
Après quelques minutes, la couche de résultat Land_Cover_Raster (Raster_Occupation_Sol) apparaît dans la fenêtre Contents (Contenu) et sur la carte. Il s’agit d’une couche raster dans laquelle chaque valeur de pixel représente une des neuf catégories d’occupation du sol.
Vous pouvez voir la liste des types d’occupation du sol dans la fenêtre Contents (Contenu).
- Effectuez un zoom avant et déplacez-vous dans la couche Land_Cover_Raster (Raster_Occupation_Sol) pour l’explorer.
Vous pouvez observer différentes entités d’occupation du sol, comme la végétation, les bâtiments, les plans d’eau et les routes. Ce raster haute résolution fournit de précieuses informations sur la distribution et l’étendue de ces types d’occupation du sol dans cette zone du township d’Alexandra.
Remarque :
Vous remarquerez que les zones de végétation ont été extraites avec une bonne précision globale, mais que les résultats sont de moindre qualité pour les bâtiments, en particulier dans les zones contenant des habitations informelles. En fonction de la résolution de l’imagerie et du type spécifique des bâtiments présents, la qualité des résultats peut varier et il peut être utile de faire appel à différentes méthodes pour extraire différents types d’entité. Une approche efficace d’extraction des bâtiments avec une précision élevée est décrite dans l’article Détection des objets avec plusieurs résolutions à l’aide du modèle Text SAM.
- Dans la Barre d’outils Quick Access (Accès rapide), cliquez sur le bouton Save Project (Enregistrer le projet).
Générer une couche d’entités d’occupation du sol
Une fois le raster d’occupation du sol obtenu, il peut être utile d’en dériver une couche surfacique en fonction de vos objectifs. Vous pourrez ainsi poursuivre le processus d’analyse à l’aide des outils de géotraitement disponibles dans ArcGIS Pro. Pour ce faire, vous allez utiliser l’outil Raster vers polygones. Puis, vous symboliserez la nouvelle couche.
- Dans la fenêtre Geoprocessing (Géotraitement), cliquez deux fois sur le bouton Back (Retour).
- Recherchez et ouvrez l’outil Raster vers polygones.
- Dans l’outil Raster To Polygon (Raster vers polygone), définissez les paramètres suivants :
- Pour Input raster (Raster en entrée), sélectionnez Land_Cover_Raster (Raster_Occupation_Sol).
- Pour Field (Champ), sélectionnez Class (Classe).
- Pour Output polygon features (Entités surfaciques en sortie), saisissez Land_Cover_Features.
- Acceptez tous les autres paramètres par défaut et cliquez sur Run (Exécuter).
La couche Land_Cover_Features (Entités_Occupation_Sol) est créée et ajoutée à la carte.
Remarque :
La couleur de la couche est attribuée aléatoirement et peut varier.
Dans la nouvelle couche, les différents gabarits d’occupation du sol ont été convertis en entités surfaciques. Un type d’occupation du sol est affecté à chaque polygone. Vous allez maintenant symboliser la couche afin de rendre ces types d’occupation du sol plus visibles. Vous pourriez symboliser chaque type un par un en choisissant une couleur différente pour chacun d’entre eux. Cependant, pour accélérer le processus, vous allez utiliser un fichier de couche avec une symbologie qui a déjà été configurée pour vous.
- Téléchargez le fichier de couche Land_Cover_Symbology.lyrx.
- Dans la fenêtre Contents (Contenu), vérifiez que la couche Land_Cover_Features (Entités_Occupation_Sol) est sélectionnée.
- Sur le ruban, cliquez sur l’onglet Feature Layer (Couche d’entités). Dans le groupe Affichage (Dessin), cliquez sur le bouton Symbology (Symbologie).
La fenêtre Symbology (Symbologie) apparaît.
- Dans la fenêtre Symbology (Symbologie), cliquez sur le bouton d’options et sélectionnez Import symbology (Importer la symbologie).
- Dans l’outil Apply Symbology From Layer (Appliquer la symbologie d’une couche), définissez les paramètres suivants :
- Vérifiez que le paramètre Input Layer (Couche en entrée) est défini sur Land_Cover_Features (Entités_Occupation_Sol).
- Dans Couche de symbologie, cliquez sur le bouton Parcourir. Accédez au dossier Téléchargements, sélectionnez le fichier Land_Cover_Symbology.lyrx et cliquez sur OK.
Conseil :
Vous pouvez également déplacer le fichier Land_Cover_Symbology.lyrx dans le dossier projet Alexandra_Land_Cover (Occupation_Sol_Alexandra) et y accéder à cet emplacement. Cela peut être particulièrement utile si vous envisagez de réutiliser cette symbologie pour d’autres couches.
- Cliquez sur Run (Exécuter).
La couche Land_Cover_Features (Entités_Occupation_Sol) s’actualise.
Les types d’occupation du sol sont désormais visibles. Pour plus de détails, vous pouvez vous reporter à la légende de la couche dans la fenêtre Contents (Contenu).
Remarque :
La symbologie proposée tient compte du daltonisme.
Si vous préférez concevoir votre propre combinaison de couleurs lorsque vous utilisez vos propres données, vous pouvez explorer l’option de symbologie Unique Values (Valeurs uniques) dans ArcGIS Pro. Elle vous permet de sélectionner un champ et de choisir manuellement des couleurs pour chaque valeur d’attribut, en créant une combinaison de symbologie personnalisée pour les données d’occupation du sol. Pour en savoir plus sur le choix des couleurs pour les cartes, reportez-vous à la série de didacticiels Choisir des couleurs pour les cartes.
Calculer la zone de végétation totale
Vous allez maintenant identifier les espaces verts (ou zones à couverture végétale) dans ce quartier d’Alexandra et calculer la surface totale qu’ils occupent.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur la couche Land_Cover_Features (Entités_Occupation_Sol) et sélectionnez Attribute Table (Table attributaire).
- Dans la table attributaire de Land_Cover_Features (Entités_Occupation_Sol), repérez le champ Class (Classe).
C’est là que les valeurs des types d’occupation du sol sont stockées. Deux types d’occupation du sol correspondent aux zones à couverture végétale : Low Vegetation (Végétation basse) et Tree Canopy (Couvert arboré). Vous allez générer une requête qui inclut ces deux types.
- Cliquez sur Select By Attributes (Sélectionner selon les attributs).
- Dans la fenêtre Select By Attributes (Sélectionner selon les attributs), sous Expression, formez l’expression Where Class includes the value(s) Low Vegetation, Tree Canopy (Où Classe inclut les valeurs Végétation basse, Couvert arboré).
- Cliquez sur OK.
Toutes les entités surfaciques correspondant à la végétation sont désormais sélectionnées sur la carte.
- Dans la table attributaire, cliquez sur le bouton Show Selected Records (Afficher les enregistrements sélectionnés).
Les polygones représentant la végétation sont au nombre de 831.
Remarque :
Le nombre que vous obtenez peut être légèrement différent.
Vous allez à présent déterminer la surface recouverte par ces 831 polygones.
- Cliquez avec le bouton droit sur le champ Shape_Area et sélectionnez Explore Statistics (Explorer les statistiques).
La vue Data Engineering Land_Cover_Features (Entités_Occupation_Sol) apparaît. Elle affiche différentes statistiques concernant l’attribut Shape_Area.
- Faites défiler la vue horizontalement et repérez la cellule Sum (Somme).
Cette valeur correspond à la somme des surfaces de tous les polygones actuellement sélectionnés.
Remarque :
Le nombre que vous obtenez peut être légèrement différent.
Vous arrivez à la conclusion que la surface totale recouverte par les espaces verts dans ce quartier d’Alexandra est d’environ 403 990 mètres carrés, soit 0,404 kilomètre carré.
Créer une couche d’espaces verts
Pour terminer, vous allez créer une couche contenant uniquement les espaces verts de la zone d’étude à l’aide de l’outil Exporter des entités.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur la couche Land_Cover_Features (Entités_Occupation_Sol), pointez sur Data (Données) et sélectionnez Export Features (Exporter des entités).
- Dans la fenêtre Export Features (Exporter des entités), définissez les paramètres suivants :
- Pour Input Features (Entités en entrée), vérifiez que la couche Land_Cover_Features (Entités_Occupation_Sol) est sélectionnée.
- Vérifiez que l’option Use the selected records (Utiliser les enregistrements sélectionnés) est activée.
- Pour Output Feature Class (Classe d’entités en sortie), saisissez Green_Spaces.
Lorsque l’option Use the selected records (Utiliser les enregistrements sélectionnés) est activée, seules les entités surfaciques actuellement sélectionnées sont exportées dans la nouvelle couche.
- Cliquez sur OK.
La nouvelle couche s’ajoute à la carte. Vous allez procéder à un léger nettoyage pour mieux visualiser cette nouvelle couche.
- Fermez la vue Data Engineering Land_Cover_Features (Entités_Occupation_Sol). Fermez la table attributaire.
- Sur le ruban, cliquez sur l’onglet Map (Carte). Dans le groupe Selection (Sélection), cliquez sur Clear (Effacer) pour supprimer la sélection des entités sur la couche Land_Cover_Features (Entités_Occupation_Sol).
- Dans la fenêtre Contents (Contenu), cochez les cases Land_Cover_Features (Entités_Occupation_Sol) et Land_Cover_Raster (Raster_Occupation_Sol) pour désactiver ces couches.
La carte affiche désormais uniquement la couche Green_Spaces (Espaces_Verts) superposée à l’imagerie de drone d’origine.
- Appuyez sur Ctrl+S pour enregistrer le projet.
Vous pouvez utiliser la couche Green_Spaces (Espaces_Verts) dans n’importe quel carte ou projet de recherche. Vous pouvez également la partager avec votre communauté en la publiant sur ArcGIS Online en tant que couche Web.
Appliquer ce processus à votre propre imagerie (facultatif)
Pour appliquer ce processus à votre propre imagerie, gardez les points suivants à l’esprit :
- Emplacement de stockage de l’imagerie : dans ce didacticiel, vous avez utilisé une couche d’images générée dans Site Scan for ArcGIS à partir d’une imagerie de drone brute et enregistrée dans ArcGIS Online directement depuis Site Scan. Lorsque vous utilisez vos propres données, vous pouvez également les héberger dans ArcGIS Online. Une autre possibilité consiste à utiliser une imagerie stockée sur votre ordinateur local.
Comprendre la configuration requise des données du modèle : comme vous pouvez le constater sur la page de description du paquetage High Resolution Land Cover Classification – USA (Classification de l’occupation du sol haute résolution – États-Unis), le modèle attend en entrée une imagerie haute résolution (80 à 100 cm), 8 bits, 3 bandes.
- Préparation de l’imagerie : les trois bandes attendues sont le rouge, le vert et le bleu (RVB). Si l’imagerie comporte plus de trois bandes, vous devez extraire les bandes appropriées avant d’appliquer le processus de Deep Learning. Le modèle attend également une imagerie dont l’espace par pixel est égal à 8 bits. Si l’espace par pixel de l’imagerie est différent (par exemple, 16 bits), vous devez le convertir en 8 bits. Reportez-vous à la section Sélectionner les bandes d’imagerie pertinentes dans le didacticiel Améliorer un modèle de Deep Learning avec l’apprentissage par transfert pour connaître les instructions détaillées permettant d’implémenter ces changements.
- Recherche d’informations sur l’imagerie : si vous ne connaissez pas les propriétés de l’imagerie (comme le nombre de bandes, l’espace par pixel ou la taille de cellule), cliquez avec le bouton droit sur la couche d’imagerie dans la fenêtre Contents (Contenu) et sélectionnez Properties (Propriétés). Dans la fenêtre Properties (Propriétés), cliquez sur la fenêtre Source et, sous Raster Information (Informations raster), recherchez les valeurs indiquées pour Number of Bands (Nombre de bandes), Cell Size X (Taille de cellule X), Cell Size Y (Taille de cellule Y) et Pixel Depth (Espace par pixel).
- Expérimenter différentes tailles de cellule : lorsque vous utilisez l’outil de géotraitement Classer des pixels à l’aide du Deep Learning, vous pouvez essayer plusieurs valeurs pour Cell Size (Taille de cellule) et identifier celle qui convient le mieux à l’imagerie. Toutefois, 0,9 devrait être une valeur appropriée pour le modèle puisqu’il attend une taille de cellule comprise entre 80 et 100 centimètres (soit entre 0,8 et 1 mètre). Il n’est pas recommandé d’utiliser une imagerie dont la taille de cellule est plus grossière que celle qui est attendue par le modèle.
Expérimenter une petite étendue : lorsque vous effectuez des essais, vous pouvez limiter le traitement à une petite étendue afin d’obtenir les résultats plus rapidement. Sur l’onglet Environments (Environnements), sous Processing Extent (Étendue de traitement), cliquez sur le bouton Draw Extent (Dessiner l’étendue) et dessinez un polygone de petite taille sur la carte.
Dans ce didacticiel, vous avez utilisé un modèle de Deep Learning pré-entraîné pour classer une imagerie de drone haute résolution en types d’occupation du sol au niveau du pixel pour un quartier du township d’Alexandra en Afrique du Sud. Vous avez ensuite converti la couche raster d’occupation du sol détaillée en couche vectorielle et l’avez symbolisée. Vous avez sélectionné les polygones représentant la végétation et avez calculé la surface totale qu’ils recouvrent. Enfin, vous avez dérivé une couche vectorielle contenant uniquement les espaces verts de ce quartier.
Pour en savoir plus sur les autres options d’extraction de l’occupation du sol avec GeoAI, reportez-vous à l’article Révéler les paysages : cartographie de l’occupation du sol à l’aide de modèles de Deep Learning pré-entraînés.
Vous trouverez d’autres didacticiels comme ceux-ci dans la série Essayer le Deep Learning avec ArcGIS.
Vous trouverez d’autres didacticiels dans la bibliothèque des didacticiels.
