Cet article scientifique, qui vient d’être publié par des chercheurs de l’université de Buffalo aux Etats-Unis mérite d’être mentionné pour son originalité mais aussi en tant qu’exemple d’application du deep learning. L’idée que les chercheurs ont investigué, est d’exploiter l’énorme quantité d’images de Google Street View pour identifier les cultures pratiquées le long des axes routiers. Cette approche est intéressante car elle constitue une source d’observation disponible pour mettre à jour les bases de données d’occupation du sol, elle permet aussi d’élaborer une base de données qualifiées importante en vue d’améliorer l’apprentissage d’algorithmes utilisant la télédétection pour la reconnaissance des cultures.  Les auteurs ont largement fait appel au deep learning (réseau neuronal convolutionnel profond) qu’ils ont utilisé pour la reconnaissance de sept espèces végétales cultivées, la végétation naturelle, le bâti et l’eau. Le réseau a aussi été utilisé pour détecter la présence d’une seule espèce végétale : le bananier. La méthode a été testée le long d’axes routiers dans deux régions de Thaïlande; un pays où la couverture Google Street View est exceptionnellement bonne.

L’article montre qu’il est possible de reconnaître plusieurs cultures (banane, manioc, maïs, riz et canne à sucre) avec une erreur de classification inférieure à 10 %. Cette performance est comparable à celle de certains systèmes de classification basés sur les séries temporelles d’images de télédétection. Toutefois, le grand intérêt de l’approche est de ne nécessiter aucune vérification terrain (puisqu’un expert reconnait aisément les cultures sur les images à très haute résolution de Google street view). Cette approche pourrait être facilement déployée à l’échelle régionale, voire à l’échelle d’un pays, pour compléter les données de télédétection et permettre une remise à jour fine des cartes d’occupation des sols.

Ringland, J., Bohm, M., & Baek, S. R. (2019). Characterization of food cultivation along roadside transects with Google Street View imagery and deep learning. Computers and Electronics in Agriculture, 158, 36-50.