Quand l’IA se met au service des enjeux environnementaux
FLAIR #2 challenge IA : aidez-nous à relever le défi !
25 mai - 25 septembre 2023
L'IGN lance son 2nd défi scientifique FLAIR #2, en collaboration avec Connect by CNES et l'ENSG et le soutien du projet européen « Copernicus FPCUP ».
Ce défi vise à améliorer la cartographie de l'occupation du sol en exploitant les données géospatiales fournies par le jeu de données FLAIR (French Land cover from Aerospace ImageRy). Avec plus de 20 milliards de pixels annotés, FLAIR est l'un des datasets les plus importants au niveau international pour l'entraînement de modèle IA dans le domaine de l'occupation du sol.
En participant à ce défi, les candidats auront également accès à près de 50 000 acquisitions provenant des séries temporelles des satellites Sentinel-2 du programme européen Copernicus.
Les participants sont ainsi encouragés à tirer parti des résolutions spatiales élevées des données françaises et des résolutions temporelles et radiométriques élevées des données européennes pour proposer des approches innovantes et explorer de possibles synergies.
L'IGN met à disposition ces données d'apprentissage précieuses ainsi que les codes nécessaires pour les exploiter, favorisant ainsi les développements novateurs et l'utilisation multimodale des données d'observation de la Terre.
Informations pratiques :
- Dates : du 25 mai au 25 septembre 2023
- Participation (inscription obligatoire) : https://codalab.lisn.upsaclay.fr/competitions/13447
- Page d'information des défis FLAIR : https://ignf.github.io/FLAIR/index_fr.html
L’OCS GE
Dans le cadre de la loi Climat et résilience de 2021, l'IGN produit en collaboration avec le Cerema et l'Inrae le référentiel d'Occupation et d'Usage des Sols à Grande Échelle (OCS GE) pour l'ensemble du territoire français.
Ce référentiel permettra de décrire en détail la couverture et l'usage des sols, ainsi que leur évolution dans le temps.
L'IGN combine l'expertise de ses équipes de production avec les capacités apprenantes de l’IA (deep learning ou apprentissage profond), afin d'automatiser la télédétection d'objets à partir de données aérospatiales.
Cette approche permet d'identifier rapidement différents types de couverts tels que les habitations, les zones imperméables, les espaces agricoles et la végétation, accélérant ainsi la production et la mise à jour du référentiel OCS GE.