Permettre aux satellites de « comprendre » les cultures : dévoiler les secrets de la technologie de segmentation d'images hyperspectrales à petit échantillon

En agriculture moderne, la télédétection transforme progressivement notre perception et notre gestion des terres. La télédétection hyperspectrale, en particulier, redonne vie aux satellites.«Olaction chimique» Elle peut identifier des différences subtiles entre les plantes. Contrairement aux caméras traditionnelles qui n'enregistrent que le rouge, le vert et le bleu, les caméras hyperspectrales peuvent enregistrer des centaines de bandes spectrales continues, « voyant » avec précision les différences entre les cultures, les sols et même les ravageurs et les maladies.

Cependant, l'application généralisée de cette technologie en agriculture se heurte encore à un obstacle majeur : l'insuffisance d'échantillons étiquetés. Par exemple, l'entraînement d'un modèle pour identifier les parcelles de maïs et celles affectées par une maladie nécessite un grand nombre d'échantillons étiquetés manuellement, ce qui est à la fois long et coûteux. En particulier dans les zones rurales isolées ou les pays en développement, la collecte d'un nombre suffisant d'échantillons est quasiment impossible.

Cela a donné naissance à une nouvelle technologie :segmentation d'images hyperspectrales à petit échantillon Son objectif est d'« obtenir de meilleurs résultats avec moins de données » : entraîner un modèle capable d'identifier automatiquement les types de cultures ou les zones infestées par des ravageurs et des maladies à partir d'une quantité très réduite de données étiquetées. Les chercheurs ont conçu des réseaux neuronaux similaires au « cortex visuel » du cerveau, tels que les structures 3D-CNN, GCN et Transformer, en fusionnant les informations spatiales et spectrales. Cela permet au modèle de comprendre les caractéristiques spectrales des pixels et de reconnaître la forme et la texture des régions.

De plus, des scientifiques ont introduit une stratégie d’« apprentissage par transfert », permettant au modèle d’acquérir d’abord des connaissances de base à partir de données de télédétection publiques, puis de les affiner grâce à de petits échantillons agricoles afin d’obtenir une adaptation rapide. D’autres chercheurs ont conçu des méthodes d’« augmentation des données », permettant au modèle de s’entraîner de manière autonome en modifiant et en perturbant les données.

À l'avenir, cette technologie permettra aux agriculteurs d'obtenir des informations quasi instantanées sur la santé des cultures, de prévoir les rendements et d'identifier les zones problématiques grâce à des téléphones mobiles ou des drones. Elle améliorera l'intelligence et la précision de la gestion agricole et fournira de nouveaux outils pour garantir la sécurité alimentaire.