Entraîner un modèle

La classification LULC (Land-Use Land-Cover, utilisation du sol et occupation du sol) offre une vue d’ensemble des catégories générales de l’utilisation du sol et de l’occupation du sol pour de larges zones géographiques, en fonction de l’imagerie télédétectée. Elle joue un rôle essentiel dans différents domaines, tels que la surveillance environnementale, la gestion des ressources, la conservation de la biodiversité, la réduction des risques de catastrophe et l’analyse du changement climatique. Cette classification facilite la surveillance systématique des changements d’utilisation du sol, l’allocation efficace des ressources, la préservation des habitats, l’identification des zones susceptibles d’être sinistrées et l’évaluation de l’impact du changement climatique.

Vous allez utiliser l’outil Train Using AutoDL (Entraînement à l’aide d’AutoDL) pour entraîner plusieurs modèles et identifier le plus performant afin de classer l’occupation du sol à partir d’une imagerie SAR (Synthetic Aperture Radar).

Télécharger et exporter les données

Pour commencer, téléchargez un projet qui contient les données d’entraînement à utiliser.

  1. Téléchargez le paquetage AutoDL_tutorial.ppkx.

    Le fichier AutoDL_tutorial.ppkx est téléchargé sur votre ordinateur.

    Remarque :

    Un fichier .ppkx est un paquetage de projet ArcGIS Pro qui peut contenir des cartes, des données et d’autres fichiers pouvant être ouverts dans ArcGIS Pro. Pour en savoir plus sur la gestion des fichiers .ppkx, consultez ce guide.

    La taille du paquetage de projet étant d’environ 4,3 Go, le téléchargement peut prendre du temps.

  2. Recherchez le fichier téléchargé sur votre ordinateur.

    Remarque :

    Selon votre navigateur web, vous pouvez être invité à choisir l’emplacement du fichier avant de lancer le téléchargement. Par défaut, la plupart des navigateurs téléchargent les fichiers dans le dossier Downloads (Téléchargements) de votre ordinateur.

  3. Double-cliquez sur le paquetage de projet AutoDL_tutorial.ppkx.
    Remarque :

    Le projet empaqueté est extrait dans votre dossier Documents. Ce processus extrait le projet compressé et les données dans le nouvel emplacement et peut prendre du temps. Le chemin d’accès au projet ressemble à C:\Users\username\Documents\ArcGIS\Packages\AutoDL_tutorial_7bd31e. Les derniers chiffres du dernier nom de dossier sont générés de façon aléatoire.

    Si vous voulez commencer à partir de l’état d’origine du projet, vous pouvez renommer ou supprimer ce dossier et double-cliquer sur le fichier du paquetage de projet AutoDL_tutorial.ppkx pour créer une copie du projet.

    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.

    ArcGIS Pro version 3.2 ou ultérieure est nécessaire pour l’outil Train Using AutoDL (Entraînement à l’aide d’AutoDL).

  4. Si vous y êtes invité, connectez-vous à votre compte d’organisation ArcGIS Online.

    Une carte illustrant une partie de l’Allemagne apparaît. Une couche d’images, LULCRaster2018.tif, apparaît au-dessus du fond de carte topographique.

    La couche raster d’utilisation du sol et d’occupation du sol apparaît sur la carte.

    La couche LULCRaster.tif est un raster classé qui présente les classes LULC de niveau 1. Ce système de classification fournit une vaste catégorisation de la surface de la Terre en types généraux d’utilisation du sol et d’occupation du sol, par exemple les zones urbaines, les terres agricoles, les forêts, les plans d’eau et les zones humides. Elle fait office de classification au niveau le plus basique et offre une vue d’ensemble des principales catégories des terres pour procéder à des analyses à grande échelle.

  5. Sur le ruban, sous l’onglet Map (Carte), dans la section Navigate (Naviguer), cliquez sur Bookmarks (Géosignets) et choisissez Speyer.

    Géosignet Speyer

    La carte zoome sur la partie sous-est de la couche LULCRaster2018.tif.

    Vue détaillée d’une zone bâtie à proximité d’une rivière, avec des terres agricoles et boisées

    La couche montre une zone bâtie à proximité d’une rivière, avec des zones agricoles et boisées.

  6. Dans la fenêtre Contents (Contenu), décochez la couche LULCRaster2018.tif et cochez la couche SARImagery2018.tif.

    La couche SARImagery2018.tif est sélectionnée dans la fenêtre Contents (Contenu).

    La couche SARImagery2018.tif est dérivée de l’imagerie SAR Ground Range Detected (GRD) Sentinel-1 télédétectée de 2018. Cette couche possède une résolution de 10 mètres et est stockée au format TIFF avec trois bandes.

    Remarque :

    L’imagerie SAR d’origine a été téléchargée et traitée pour la préparer à l’analyse. Composée à l’origine de deux bandes de polarisation, VV et VH, elle a été téléchargée et à l’aide de la fonction raster Band Arithmetic (Arithmétique de bande), la bande dérivée VV/VH a été créée. Cette bande se compose de la bande VV divisée par la bande VH. Cette combinaison de bandes souligne utilement les différences de diffusion, ce qui vous permet de tirer des conclusions sur les caractéristiques de la surface. Après ce traitement, l’outil de géotraitement Composite Bands (Bandes composites) a été utilisé pour créer un composite de VV, VH et VV/VH avec un espace par pixel Non signé 8 bits.

    L’un des sites Web où vous pouvez télécharger gratuitement les données GRD Sentinel-1 relatives pour n’importe quel endroit de la Terre est le site ASF Data Search Vertex.

    Vue détaillée de l’imagerie SAR de la même zone

    Les données Sentinel-1 sont collectées régulièrement, ce qui permet de comparer différentes images en vue de détecter l’évolution au fil du temps.

    Classer manuellement tous les pixels de cette imagerie en classes LULC de niveau 1 serait un processus long et fastidieux. Un modèle de Deep Learning peut automatiser la classification LULC de l’imagerie, ce qui vous permet d’obtenir régulièrement de nouvelles données, de les classer et de détecter les changements par rapport aux images plus anciennes. Dans ce didacticiel, vous testez le traitement afin de savoir si vous pouvez utiliser ce processus pour mettre à jour annuellement vos données d’utilisation du sol et d’occupation du sol et pour vous permettre d’identifier et de signaler l’évolution au fil du temps.

Explorer les données d’entraînement

Le paquetage de projet contient les échantillons d’entraînement que vous allez utiliser pour entraîner et identifier le modèle le plus performant. Ces échantillons ont été créés à l’aide de l’outil Exporter les données d’entraînement pour le Deep Learning. Les étapes requises pour préparer ces données sortent du cadre de ce didacticiel. Vous pouvez en savoir plus sur la façon de procéder.

  1. Sur le ruban, cliquez sur l'onglet Vue. Dans la section Windows (Fenêtres), cliquez sur Catalog Pane (Fenêtre Catalogue).

    Bouton Catalog Pane (Fenêtre Catalogue)

  2. Dans la fenêtre Catalog (Catalogue), développez Folders (Dossiers), puis le dossier AutoDL_tutorial (Didacticiel_AutoDL) et le dossier trainingdata (données_entraînement).

    Emplacement des données d’entraînement

    Le dossier trainingdata (données_entraînement) contient les données d’entraînement à utiliser.

    Le dossier images contient des fragments d’image, extraits de la couche SARImagery2018.tif à l’aide de l’outil Exporter les données d’entraînement pour le Deep Learning.

    Le dossier labels (étiquettes) contient les images d’étiquette illustrant les types d’occupation du sol classés.

    L’entraînement d’un modèle de Deep Learning pour classer cette imagerie implique de présenter le modèle avec les fragments d’image et avec les étiquettes d’appariement et d’autoriser le modèle à apprendre quelles classes sont associées à quelles combinaisons de bandes SAR.

Entraîner plusieurs modèles

L’un des défis du Deep Learning consiste à déterminer l’architecture de modèle à utiliser. Choisir et entraîner un modèle peut être déconcertant et fastidieux, car les modèles ont différents points forts et points faibles et ils ont besoin d’entrées et de paramètres différents. L’outil Train Using AutoDL (Entraînement à l’aide d’AutoDL) vous permettra de sélectionner un ensemble d’architectures de modèle à entraîner. Il les entraîne et les teste ensuite et désigne le modèle le plus performant.

L’outil Train Using AutoDL (Entraînement à l’aide d’AutoDL) entraîne l’ensemble de modèles de Deep Learning en construisant des pipelines d’entraînement et en automatisant une grande partie du processus d’entraînement. Cela inclut l’augmentation des données, le choix du modèle, l’optimisation des hyperparamètres et la déduction de la taille de lot. Ses sorties incluent les métriques de performances du meilleur modèle sur les données d’entraînement et un paquetage de modèle de Deep Learning entraîné (fichier .dlpk) qui peut être utilisé dans les outils Extract Features Using AI Models (Extraire des entités à l’aide de modèles d’IA) ou Classify Pixels Using Deep Learning (Classer des pixels à l’aide du Deep Learning) pour classer d’autres images.

Remarque :

L’utilisation des outils de Deep Learning de ArcGIS Pro implique que vous ayez installé les bibliothèques de Deep Learning appropriées sur votre ordinateur. Si ces fichiers ne sont pas installés, enregistrez votre projet, fermez ArcGIS Pro et suivez les étapes décrites dans les instructions Se préparer au Deep Learning dans ArcGIS Pro. Dans ces instructions, vous allez également découvrir comment vérifier si votre matériel informatique et vos logiciels peuvent exécuter des processus de Deep Learning et apprendre d’autres conseils utiles. Une fois que vous avez terminé, vous pouvez rouvrir votre projet et poursuivre le didacticiel.

  1. Sur le ruban, cliquez sur l’onglet Analysis (Analyse), puis, dans la section Geoprocessing (Géotraitement), cliquez sur Tools (Outils).

    Bouton Tools (Outils) dans la section Geoprocessing (Géotraitement) de l’onglet Analysis (Analyse) du ruban

  2. Dans la fenêtre Geoprocessing (Géotraitement), dans la zone de recherche, saisissez entraînement à l’aide d’autodl. Dans les résultats de recherche, cliquez sur l’outil Train Using AutoDL (Entraînement à l’aide d’AutoDL).

    L’outil Train Using AutoDL (Entraînement à l’aide d’AutoDL) dans les résultats de recherche

  3. Dans la fenêtre de l’outil Train Using AutoDL (Entraînement à l’aide d’AutoDL), pour Input Training Data (Données d’entraînement en entrée), cliquez sur le bouton Browse (Parcourir). Accédez à Folders (Dossiers), puis au dossier AutoDL_tutorial (Didacticiel_AutoDL), cliquez sur le dossier trainingdata (données_entraînement) et sur OK.

    Boîte de dialogue de navigation Input Training Data (Données d’entraînement en entrée) avec le dossier trainingdata (données_entraînement) sélectionné

  4. Pour Output Model (Modèle en sortie), cliquez sur le bouton Browse (Parcourir). Accédez au dossier AutoDL_tutorial (Didacticiel_AutoDL), saisissez ClassifiedSARLULC, puis cliquez sur Save (Enregistrer).

    Boîte de dialogue de navigation Output Model (Modèle en sortie) avec le nouveau nom ClassifiedSARLULC ajouté

    Un nouveau dossier destiné à contenir le ou les modèles entraînés en sortie est ainsi créé.

    Vous allez ensuite indiquer combien de temps l’outil doit consacrer à l’entraînement des modèles.

  5. Pour Total Time Limit (Hours) (Limite de temps totale [Heures]), saisissez 4.

    Outil Train Using AutoDL (Entraînement à l’aide d’AutoDL) avec le paramètre Total Time Limit (Hours) (Limite de temps totale [Heures]) défini sur 4

    L’outil accomplira la tâche pendant quatre heures au maximum. Selon le GPU de votre ordinateur, il peut utiliser tout le délai imparti ou il peut s’acquitter de la tâche plus rapidement.

    En fonction du format des données d’entraînement, vous verrez une liste des réseaux neuronaux pris en charge propres à la classification de pixels.

  6. Développez la section Advanced Options (Options avancées).

    Section Advanced Options (Options avancées)

  7. Pour Neural Networks (Réseaux neuronaux), cliquez sur Add Many (Ajouter plusieurs).

    Bouton Add Many (Ajouter plusieurs) Neural Networks (Réseaux neuronaux)

    La liste Neural Networks (Réseaux neuronaux) apparaît.

    Liste de sélection Neural Networks (Réseaux neuronaux)

  8. Sélectionnez les réseaux neuronaux suivants :
    • HRNet
    • PSPNetClassifier
    • UnetClassifier
  9. Cliquez sur Add (Ajouter).

    Les réseaux neuronaux sont ajoutés à la liste des réseaux qui doivent être entraînés et évalués par l’outil Train Using AutoDL (Entraînement à l’aide d’AutoDL).

    Réseaux ajoutés à la liste pour être entraîné et évalués

    Il s’agit de réseaux neuronaux qui classent les pixels dans un raster en utilisant une segmentation sémantique. Ils sont généralement utilisés pour la classification de l’occupation du sol.

  10. Cochez la case Save Evaluated Models (Enregistrer les modèles évalués).

    La case Save Evaluated Models (Enregistrer les modèles évalués) est cochée.

    Vous avez indiqué que l’outil Train Using AutoDL (Entraînement à l’aide d’AutoDL) doit s’exécuter pendant quatre heures pour entraîner et évaluer les trois modèles.

    Remarque :

    Si votre ordinateur est doté d’un GPU approprié, vous pouvez exécuter l’outil pour entraîner et évaluer les trois modèles pendant les quatre prochaines heures. 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. Vous pouvez également passer l’étape d’entraînement et examiner un dossier qui a été préparé à votre intention avec toutes les sorties de l’outil. Si vous ne comptez pas exécuter le processus d’entraînement du modèle, lisez les quatre prochaines étapes et reprenez le travail dans la section suivante, Examiner les résultats de l’entraînement du modèle.

  11. Cliquez sur l'onglet Environnements.

    Onglet Environments (Environnements)

  12. Dans la section Processor Type (Type de processeur), pour GPU ID (ID de GPU), saisissez 0.

    GPU ID (ID de GPU) défini sur 0

    Si votre GPU compatible avec CUDA possède un ID de GPU différent, utilisez ce numéro d’ID. Ceci peut être nécessaire lorsque votre ordinateur possède plusieurs GPU.

  13. Vous pouvez également cliquer sur Run (Exécuter).

    Le traitement s’exécutera pendant quatre heures au maximum.

    Vous pouvez consulter les messages sur le statut du traitement lors de l’exécution de l’outil.

  14. Au bas de la fenêtre Train Using AutoDL (Entraînement à l’aide d’AutoDL), cliquez sur View Details (Afficher les détails).

    Lien View Details (Afficher les détails)

  15. Cliquez sur l’onglet Messages.

    Messages d’outil sur l’onglet Messages

    Une fois le traitement terminé, vous pouvez consulter les sorties dans la fenêtre Messages.

    Messages de métriques des résultats d’entraînement du modèle

    Au cours de l’entraînement, l’outil sélectionne de manière aléatoire 10 pour cent du jeu de données d’entraînement à réserver pour la validation et entraîne les modèles sur les 90 pour cent restants. Alors que l’entraînement continue, le modèle calcule le degré d’appariement des valeurs prévues par rapport aux valeurs du jeu de données de validation. La table synthétise les performances de chaque modèle. En raison notamment de cette sélection aléatoire des échantillons de validation, l’entraînement des modèles avec cet outil n’est pas déterministe. L’outil définit également de manière aléatoire certaines conditions initiales chaque fois qu’il s’exécute. Pour plus d’informations, consultez l’aide de l’outil. Avec le même ensemble de données d’entraînement, différents modèles peuvent être choisis comme les plus performants et différentes valeurs apparaissent dans cette table.

    La table inclut des colonnes pour la perte d’entraînement et de validation. La perte d’entraînement montre comment le modèle a appris. La perte de validation montre les performances de ce que le modèle a appris dans l’ensemble de validation et met en évidence la généralisation de l'apprentissage. Des valeurs inférieures pour ces deux mesures indiquent de meilleures performances d’entraînement. Dans ce cas, le modèle UnetClassifier a donc obtenu de meilleures performances à la fois en termes de perte d’entraînement et de perte de validation.

    Le modèle PSPNetClassifier avait une valeur Accuracy (Exactitude) plus élevée que les autres modèles. En termes d’exactitude, les valeurs plus élevées sont préférables.

    Accuracy (Exactitude) et Dice (Segmenter) mesurent les performances du modèle en matière de classement des pixels. Le modèle PSPNetClassifier avait également une valeur Accuracy (Exactitude) plus élevée que les autres modèles.

    Learning Rate (Vitesse d’apprentissage) est un hyperparamètre utilisé dans l’entraînement des réseaux neuronaux. Si vous n’avez pas spécifié cette valeur, elle est calculée par l’outil d’entraînement. L’outil tente d’optimiser la vitesse d’apprentissage, via une pondération entre la vitesse et la qualité. La valeur Learning Rate (Vitesse d’apprentissage) obtenue qui est indiquée dans la table présente principalement un intérêt si, en tant qu’utilisateur avancé, vous voulez continuer à entraîner le modèle et avez besoin d’aide pour choisir la valeur Learning Rate (Vitesse d’apprentissage) pour cet entraînement supplémentaire.

    La colonne Time (Temps) indique le temps nécessaire à l’entraînement de chaque modèle. Vous remarquerez que le temps est plus important pour le premier modèle que pour les autres. En effet, une partie du traitement des données qui est réalisé pour le premier modèle est réutilisée par les modèles suivants.

    La colonne Backbone correspond au modèle de backbone par défaut. Si vous définissez le paramètre AutoDL Mode (Mode AutoDL) sur Advanced (Avancé) au lieu de Basic (De base), plusieurs backbones peuvent être testés.

  16. Fermez la fenêtre Messages.

Examiner les résultats d’entraînement du modèle

Le paquetage de projet que vous avez téléchargé comprend un dossier compressé des résultats de l’outil Train Using AutoDL (Entraînement à l’aide d’AutoDL). Vous allez maintenant les passer en revue.

  1. Dans la fenêtre Catalog (Catalogue), accédez à Folders (Dossiers) et au dossier AutoDL_tutorial (Didacticiel_AutoDL). Cliquez avec le bouton droit de la souris sur le dossier userdata (données_utilisateur) et choisissez Copy Path (Copier le chemin d’accès).

    Option Copy Path (Copier le chemin d’accès)

  2. Dans Microsoft File Explorer, collez le chemin dans la zone correspondante.

    Explorateur de fichiers illustrant le chemin d’accès au dossier userdata (données_utilisateur)

    Le chemin d’accès ressemble à C:\Users\username\Documents\ArcGIS\Packages\AutoDL_tutorial_7bd31e\userdata

    Ce dossier renferme deux archives compressées. L’archive LULCClassifierModel.zip contient les résultats générés en exécutant l’outil Train Using AutoDL (Entraînement à l’aide d’AutoDL) avec les paramètres spécifiés plus haut.

    L’archive TrainingData.zip contient les données utilisées pour créer les données d’entraînement.

  3. Cliquez avec le bouton droit sur l’archive LULCClassifierModel.zip et sélectionnez Extract All (Extraire tout).

    Option Extract All (Extraire tout)

  4. Cliquez sur Extract (Extraire).

    Fenêtre d’extraction avec l’outil d’extraction des fichiers compressés affichant le chemin en sortie

  5. Ouvrez le dossier LULCClassifierModel.

    Dossier extrait dans l’explorateur de fichiers

    Ce dossier contient plusieurs sorties issues de l’exécution de l’outil. On compte les suivantes :

    • ModelCharacteristics est un dossier contenant les images utilisées dans le fichier README.html.
    • models (modèles) est un dossier contenant tous les modèles entraînés qui ont été évalués sur le sous-ensemble des données d’entraînement.
    • ArcGISImageClassifier est un script Python avec un code utilisé dans la classification de l’imagerie pour le processus d’entraînement.
    • ClassifiedSARLULC.dlpk est un paquetage complet de tous les fichiers stockés dans le dossier en sortie du modèle comprenant le modèle entraîné, le fichier de définition de modèle et le fichier de métriques du modèle. Ce paquetage peut être partagé dans ArcGIS Online et ArcGIS Enterprise sous forme d’élément de modèle entraîné pour que d’autres utilisateurs puissent l’utiliser.
    • ClassifiedSARLULC.emd est un fichier de définition de modèle qui contient des informations sur le modèle, comme la taille de tuile, les classes, le type de modèle, etc.
    • ClassifiedSARLULC.pth est un fichier de pondérations préentraîné, généralement enregistré dans un format PyTorch.
    • model_metrics.html est une page HTML avec des renseignements détaillés sur la vitesse d’apprentissage utilisée et l’exactitude du modèle entraîné.
    • README.html est une page HTML avec des renseignements détaillés sur l’évaluation des modèles et l’exactitude du modèle le plus performant.

    Contenu du dossier extrait dans l’explorateur de fichiers

  6. Double-cliquez sur le fichier README.html.

    La page s’ouvre dans un onglet de navigateur. Cette page affiche des informations sur le modèle le plus performant, le compare aux autres modèles et indique dans quelle mesure il est parvenu à classer l’utilisation du sol et l’occupation du sol (LULC) à partir de vos données d’entraînement en entrée.

    La section Training and Validation loss (Perte d’entraînement et de validation) affiche un graphique illustrant le nombre d’erreurs apparaissant dans le modèle entraîné au fil du temps. Lors de l’exécution de l’outil, 90 pour cent de vos données en entrée ont été utilisées pour entraîner le modèle et 10 pour cent pour valider le modèle afin de déterminer son exactitude. Idéalement, vous devriez voir ces valeurs de perte diminuer et converger à mesure que le nombre d’images (lots) traitées augmente au cours du temps imparti.

    Rapport sur le modèle le plus performant

    Remarque :

    Comme les échantillons de validation sont sélectionnés de manière aléatoire à partir de l’ensemble des fragments d’image d’entraînement et comme certains hyperparamètres sont définis de manière aléatoire pour commencer l’entraînement, les métriques Perte d’entraînement et Perte de validation peuvent diverger à chaque exécution de l’outil, même sur un jeu de données d’entraînement identique.

    Dans ce diagramme, vous pouvez voir que pour les 60 premiers lots d’images traités, le taux d’erreur affiché par la ligne Validation est élevé, mais qu’il varie beaucoup pour chaque lot. Après 60 lots, le taux d’erreur dans le traitement Validation décroît et varie moins, à l’exception du pic qui se produit à 120. La ligne Train (Entraîner) montre un taux d’erreur qui décroît de manière plus régulière.

    La section Analysis of the model (Analyse du modèle) indique la précision des classes de données. Techniquement, votre modèle comportait cinq classes : quatre pour l’occupation du sol et une pour NoData. Une valeur de précision plus élevée signifie que les résultats du modèle sont plus fiables. Suivez ce lien pour en savoir plus sur l’interprétation des statistiques de précision et d’exactitude des outils de Deep Learning.

    Analyse de la table de modèle

    Enfin, cette page affiche quelques exemples de fragment qui comparent vos données d’entraînement LULC d’origine Ground Truth (Réalité du terrain), à gauche, aux prévisions du modèle Predictions (Prévisions), à droite. Idéalement, la prévision doit être proche de la réalité du terrain d’origine.

  7. Fermez la page README dans votre navigateur Web.
  8. Sur la barre d’outils Quick Access (Accès rapide), cliquez sur le bouton Save Project (Enregistrer le projet).

    Bouton Enregistrer le projet

Vous avez entraîné un modèle de Deep Learning pour la classification LULC sur une imagerie Sentinel 1 prise en 2018 et avez remarqué que le modèle le plus performant pour cette tâche repose sur l’architecture UnetClassifier. Vous allez ensuite utiliser ce modèle pour classer automatiquement l’occupation du sol dans l’imagerie Sentinel 1 prise en 2024.


Appliquer le modèle

Une fois un modèle de Deep Learning créé, il peut être utilisé pour classer rapidement l’occupation du sol sur des données similaires relevées à des dates différentes. Ceci vous permet de suivre l’évolution de l’occupation du sol dans le temps. À titre d’exemple, vous prendrez le modèle que vous avez créé et l’utiliserez pour classer l’imagerie Sentinel-1 relevée en 2024 dans la même zone géographique.

Utiliser le modèle entraîné pour classer la nouvelle imagerie

Vous utiliserez ensuite le modèle de Deep Learning pour classer l’imagerie Sentinel-1 recueillie en 2024 à l’aide de l’outil Classify Pixels Using Deep Learning (Classer des pixels à l’aide du Deep Learning).

  1. Dans ArcGIS Pro, cliquez sur l’onglet de carte Deploy Model (Déployer le modèle).

    Onglet de carte Déployer le modèle

    La carte Deploy Model (Déployer le modèle) présente la couche SARImagery2024.tif.

    Carte Déployer le modèle

  2. Dans la fenêtre Géotraitement, cliquez sur le bouton Retour.
  3. Dans la zone de recherche, saisissez classer des pixels à l’aide du Deep Learning. Dans les résultats de recherche, cliquez sur l’outil Classify Pixels Using Deep Learning (Classer des pixels à l’aide du Deep Learning).

    Résultat de recherche de l’outil Classer des pixels à l’aide du Deep Learning

  4. Dans l’outil Classify Pixels Using Deep Learning (Classer des pixels à l’aide du Deep Learning), pour le paramètre Input Raster (Raster en entrée), sélectionnez SARImagery2024.tif.

    Raster en entrée défini sur SARImagery2024.tif

  5. Pour Output Raster Dataset (Jeu de données raster en sortie), saisissez ClassifiedLULC2024.

    Paramètre Jeu de données raster en sortie défini sur ClassifiedLULC2024

  6. Pour Model Definition (Définition du modèle), cliquez sur le bouton Browse (Parcourir) et accédez au dossier ClassifiedSARLULC. Cliquez sur le paquetage de Deep Learning ClassifiedSARLULC.dlpk.
    Remarque :

    Si vous n’avez pas entraîné le modèle sur votre ordinateur, vous pouvez utiliser le modèle entraîné fourni avec le projet. Dans la structure de dossier du projet, accédez au dossier userdata\ClassifiedSARLULC\ClassifiedSARLULC et cliquez sur le paquetage de Deep Learning ClassifiedSARLULC.dlpk.

    Le fichier ClassifiedSARLULC.dlpk dans le dossier ClassifiedSARLULC.

    L’outil avec le fichier de définition du modèle spécifié.

    Une fois le paquetage de Deep Learning chargé par l’outil, la table Arguments du modèle s’affiche. Vous accepterez les valeurs par défaut. Vous pouvez réduire le temps de traitement en augmentant la taille du lot à 8 ou 16, si vous disposez d’un ordinateur équipé d’un processeur graphique avec au moins 8 Go de RAM vidéo dédiée. Si votre processeur graphique possède moins de 8 Go de RAM vidéo dédiée, vous devrez peut-être réduire la taille du lot à 2.

    Table Arguments

  7. Cliquez sur l’onglet Environnements.
  8. Dans la section Raster Analysis (Analyse raster) pour Cell Size (Taille de cellule), saisissez 10.

    La taille de cellule des données SAR n’est pas exactement identique à la taille de cellule avec lesquelles le modèle a été entraîné, vous pouvez donc indiquer que la taille de cellule en sortie doit être égale à 10.

  9. Dans Processor Type (Type de processeur), sélectionnez GPU.

    Le processus de classification de cette image peut prendre 40 minutes ou plus. Vous avez également l’option de ne pas exécuter l’outil et de visualiser la sortie de l’outil qui est fournie dans le paquetage de projet.

  10. Dans la section Processor Type (Type de processeur), Pour GPU ID (ID de processeur graphique), saisissez 0.

    Si votre processeur graphique compatible avec CUDA possède un ID différent, utilisez ce numéro d’identifiant. Ceci peut être nécessaire lorsque votre ordinateur possède plusieurs processeurs graphiques.

  11. Vous pouvez également cliquer sur Run (Exécuter).

    Si vous exécutez l’outil, une fois l’exécution terminée, visualisez les résultats sur la carte.

    Remarque :

    Les couleurs des classes d’images seront attribuées de manière aléatoire. Vous pouvez les modifier en fonction de vos préférences. Cliquez avec le bouton droit sur un symbole de classe, puis dans la palette de couleurs, sélectionnez une couleur de votre choix.

  12. Si vous n’avez pas exécuté l’outil, cliquez sur l’onglet de carte Results (Résultats) pour voir les résultats de l’outil.

    L’imagerie classée s’affiche.

    Carte des résultats

    Remarque :

    Le Deep Learning n’étant pas un processus déterministe, le nombre de résultats que vous obtenez peut être légèrement différent.

    Vous pouvez comparer le raster 2024 au raster 2018 pour détecter l’évolution de l’occupation du sol à grande échelle dans le temps. Maintenant que le modèle de Deep Learning est entraîné, vous pouvez l’appliquer aux nouvelles imageries SAR chaque année ou plus fréquemment. Ce modèle entraîné peut faire partie d’un processus efficace de suivi de l’évolution de l’occupation du sol dans le temps.

  13. Appuyez sur Ctrl+S pour enregistrer le projet.

Dans ce didacticiel, vous avez utilisé l’outil Train Using AutoDL (Entraînement à l’aide d’AutoDL) pour entraîner plusieurs modèles à classer l’occupation du sol à partir d’imagerie SAR Sentinel-1 et à identifier automatiquement lequel donne de meilleurs résultats. Vous avez ensuite appliqué le modèle entraîné donnant les meilleurs résultats sur une imagerie plus récente.

Remarque :
Esri met à disposition plus de 60 modèles préalablement entraînés dans ArcGIS Living Atlas pour accélérer le processus de classification de l’imagerie et de détection des objets. Vous pouvez télécharger ces modèles gratuitement et les déployer directement sur des entrées d’imagerie compatibles. Vous pouvez aussi adapter ces modèles préalablement entraînés avec vos propres données d’entraînement au lieu d’entraîner un modèle à partir de zéro ; ainsi, vous gagnerez du temps. Consultez par exemple les didacticiels Détecter des objets à l’aide d’un modèle de Deep Learning pré-entraîné et Cartographier les inondations avec des données SAR et le Deep Learning.

Consultez les séries de didacticiels pour d’autres didacticiels sur le Deep Learning.

Pour plus d’informations sur la préparation de l’imagerie SAR pour les processus de Deep Learning, consultez ce didacticiel.